In [1]:
import sys
import os
import numpy as np
import pandas as pd

import matplotlib
import matplotlib.pyplot as plt
%matplotlib inline
from IPython.display import display, HTML, Image
import seaborn as sns

from sklearn.model_selection import train_test_split 
from sklearn.impute import KNNImputer
from sklearn.linear_model import LinearRegression
from sklearn import metrics

from sklearn.ensemble import RandomForestRegressor
from sklearn.multioutput import MultiOutputRegressor
from sklearn.metrics import roc_curve, roc_auc_score, auc, accuracy_score, confusion_matrix, r2_score, mean_squared_error

import shap
shap.initjs()

import warnings
warnings.filterwarnings("ignore")

pd.set_option('display.max_columns', None)
pd.set_option('display.max_rows', 500)

rnd = [7, 42, 77, 777, 7777]


def load_table(table_name, year):
    if year == '2019':
        data_path = '/afs/csail/group/medg/bayer/2019 Data/csv/'
    elif year == '2020':
        data_path = '/afs/csail/group/medg/bayer/2020 Data/Study1clin/csv/'
    table = pd.read_csv(os.path.join(data_path, table_name + '.csv'), encoding='latin') # the adlb table has problem of using utf8
    return table


def evaluation(use_df, model, pred, y, explain=False, single=True):
    diff = pred.flatten() - y.flatten()
    percentDiff = (diff / y.flatten()) * 100
    absPercentDiff = np.abs(percentDiff)
    mean = np.mean(absPercentDiff)
    std = np.std(absPercentDiff)
    qt = np.quantile(absPercentDiff, [0.25, 0.5, 0.75])    
    print(r2_score(y, pred, sample_weight=None, multioutput='raw_values'))
#     print(mean)
#     print(std)
    print(qt)
    
    if single == True:
        res = pd.DataFrame({'pred': pred.tolist(), 'gt': y.tolist()})
        print('% diff mean: ' + str(np.round(np.mean((res['pred'] - res['gt']) / (res['gt'] + 10e-6)) * 100, 2)))
        print('% diff median: ' + str(np.round(np.median((res['pred'] - res['gt']) / (res['gt'] + 10e-6)) * 100, 2)))
        print('Pearson: ' + str(np.round(pearsonr(res['pred'], res['gt']), 2)))
        plt.figure()
        plt.plot(res['gt'], res['pred'], 'o', alpha=0.3)
        plt.plot(res['gt'], res['gt'])
        plt.close()
    else:
        res = pd.DataFrame({'pred': pred.tolist(), 'y': y.tolist()})
        res[[
            'kccq_pred', 'fluid_pred', 'bnp_pred',  #'6mwd_pred', 'trop_pred', 
            'kccq_acc_pred', 'fluid_acc_pred', 'bnp_acc_pred', #'6mwd_acc_pred', 'trop_acc_pred', 
        ]] = pd.DataFrame(res.pred.values.tolist(), index=res.index)
        res[[
            'kccq', 'fluid', 'bnp', # 6mwd', 'trop', 
            'kccq_acc', 'fluid_acc', 'bnp_acc',#'6mwd_acc', 'trop_acc', 
        ]] = pd.DataFrame(res.y.values.tolist(), index=res.index)
        lst = [
            'kccq', 'fluid', 'bnp', #'6mwd', 'trop', 
            'kccq_acc', 'fluid_acc', 'bnp_acc', #'6mwd_acc', 'trop_acc', 
        ]

        for i in lst:
            print(i)
            pp = i + '_pred'
            print(np.mean((res[pp] - res[i]) / (res[i] + 10e-6)))
            print(np.median((res[pp] - res[i]) / (res[i] + 10e-6)))
            print(pearsonr(res[pp], res[i]))
            plt.figure()
            plt.plot(res[i], res[pp], 'o', alpha=0.3)
            plt.plot(res[i], res[i])
            plt.close()

#     feat_imp_rf = rf.feature_importances_
#     idxSort = np.argsort(feat_imp_rf)
#     plt.figure(figsize=[12,8])
#     plt.barh(range(10), feat_imp_rf[idxSort[0:10]],
#             tick_label = use_df[feature].columns[idxSort[0:10]],
#             align='center')
#     plt.show()

    if explain == True:
        explainer_tree = shap.TreeExplainer(rf)
        shap_values_tree = explainer_tree.shap_values(use_df[feature])
        shap.summary_plot(shap_values_tree, use_df[feature])

        for name in feature:
            shap.dependence_plot(name, shap_values_tree, use_df[feature], interaction_index=None, alpha=0.3)
In [2]:
useful_static_features_2019 = ['UASR', 'BMIGR1N', 'TRT01A',
                          'NTBNPN', 'NYHAFUCN', 
                          'BETABLKN', 'ATRFIBRN', 'HYPERTEN',
                          'DIABETEN', 'BASEGFRN', 'CAFFDRKN', 
#                           'MWDSIXN', 'TIMECHN', 'NOCTN', 'CADN', 'LAINCN', 
                          'LVEFB55', 'LVEFB50', 
                         ]

useful_static_features_2020 = ['UASR', 'BMIGR1N', 'TRT01A',
                          'NTBNPN', 'NYHAFUCN', 
                          'BETABLKN', 'ATRFIBRN', 'HYPERTEN',
                          'DIABETEN', 'BASEGFRN', 'CAFFDRKN', 
                          'LVEFB25', 'LVEFB40', 'LVEFB45',
                         ]

advs = load_table('advs', '2019')
static = advs[useful_static_features_2019]
static['LVEF'] = np.where(static['LVEFB55']=='>=55', '>=55', 
                          np.where((static['LVEFB55']=='<55') & (static['LVEFB50']=='>=50'), '50-55', 
                                   np.where(static['LVEFB50']=='<50', '<50', 'Missing')))
del static['LVEFB55']
del static['LVEFB50']
                          
advs_r = load_table('advs', '2020')
static_r = advs_r[useful_static_features_2020]
static_r['LVEF'] = np.where(static_r['LVEFB45']=='>45', '>45', 
                          np.where((static_r['LVEFB45']=='<=45') & (static_r['LVEFB40']=='> 40'), '40-45', 
                                   np.where((static_r['LVEFB40']=='<= 40') & (static_r['LVEFB25']=='> 25'), '25-40', 
                                            np.where(static_r['LVEFB25']=='<= 25', '<25', 'Missing'))))
del static_r['LVEFB45']
del static_r['LVEFB40']
del static_r['LVEFB25']

static = pd.concat([static, static_r], axis=0)

static[['USUBJID','AGE', 'GENDER', 'RACE']] = static['UASR'].str.split(pat='/', expand=True)
static['GENDER'] = np.where(static['GENDER']=='F', 0, 1) 
static['RACE_W'] = np.where(static['RACE']=='W', 1, 0) 
static['RACE_A'] = np.where(static['RACE']=='A', 1, 0) # only two races
static['TRIAL_DRUG'] = np.where(static['TRT01A']=='Placebo', 0, 1) 
del static['UASR']
del static['RACE']

static = static.drop_duplicates()
static.head(5)
Out[2]:
BMIGR1N TRT01A NTBNPN NYHAFUCN BETABLKN ATRFIBRN HYPERTEN DIABETEN BASEGFRN CAFFDRKN LVEF USUBJID AGE GENDER RACE_W RACE_A TRIAL_DRUG
0 29 Neladenoson 20mg 8 3 0 0 1 0 1.0 1 >=55 200894 64 1 1 0 1
9 29 Placebo 7 2 1 0 1 1 1.0 1 >=55 203831 72 1 1 0 0
38 29 Placebo 7 2 1 0 0 0 2.0 1 >=55 200979 71 0 1 0 0
67 28 Neladenoson 40mg 7 3 1 0 1 0 2.0 1 Missing 202575 76 1 1 0 1
96 28 Neladenoson 5mg 7 2 0 0 1 1 2.0 1 >=55 200882 68 1 1 0 1
In [3]:
print(static['LVEF'].value_counts() / len(static['LVEF']))
ax = static['LVEF'].value_counts().plot(kind='bar', title='LVEF', figsize=(12, 8), legend=True)
ax.set_xlabel('EF')
ax.set_ylabel('Count')
plt.show()
Missing    0.296296
<25        0.192044
25-40      0.187929
>=55       0.160494
<50        0.054870
50-55      0.049383
40-45      0.034294
>45        0.024691
Name: LVEF, dtype: float64
In [4]:
print(static['NYHAFUCN'].value_counts() / len(static['NYHAFUCN']))
ax = static['NYHAFUCN'].value_counts().plot(kind='bar', title='NYHA', figsize=(12, 8), legend=True)
ax.set_xlabel('NYHA')
ax.set_ylabel('Count')
plt.show()
2    0.677641
3    0.320988
1    0.001372
Name: NYHAFUCN, dtype: float64
In [5]:
select = [
    'USUBJID', 'AGE', 'GENDER', 'RACE_W', 'TRIAL_DRUG', 'RACE_A', # RACE_A == 33, RACE_W == 266
    'HYPERTEN', 'DIABETEN', 'CAFFDRKN', 'BETABLKN', 'BASEGFRN', 
    # 'CADN', 'LAINCN', --> not in HFrEF group, didn't select other features since they are already in other tables
]
static['USUBJID'] = static['USUBJID'].astype(int)
static['AGE'] = static['AGE'].astype(int)
static = static[select]
In [6]:
static.describe()
Out[6]:
USUBJID AGE GENDER RACE_W TRIAL_DRUG RACE_A HYPERTEN DIABETEN CAFFDRKN BETABLKN BASEGFRN
count 729.000000 729.000000 729.000000 729.000000 729.000000 729.000000 729.000000 729.000000 729.000000 729.000000 718.000000
mean 146599.526749 69.839506 0.684499 0.897119 0.751715 0.079561 0.716049 0.407407 0.847737 0.873800 1.449861
std 49459.532999 9.965753 0.465034 0.304012 0.432315 0.270798 0.451223 0.491689 0.359523 0.332303 0.497826
min 100027.000000 31.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 1.000000
25% 104075.000000 64.000000 0.000000 1.000000 1.000000 0.000000 0.000000 0.000000 1.000000 1.000000 1.000000
50% 108564.000000 71.000000 1.000000 1.000000 1.000000 0.000000 1.000000 0.000000 1.000000 1.000000 1.000000
75% 203871.000000 77.000000 1.000000 1.000000 1.000000 0.000000 1.000000 1.000000 1.000000 1.000000 2.000000
max 209858.000000 93.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 2.000000
In [7]:
static['AGE'].hist()#.plot(kind='kde')
Out[7]:
<matplotlib.axes._subplots.AxesSubplot at 0x7fcadd677898>
In [8]:
len(static.USUBJID.unique())
Out[8]:
729
In [9]:
adcm = load_table('adcm', '2019')
adcm = adcm[(adcm.CMSTDT < adcm.TRTSDT) | (pd.isnull(adcm.CMSTDT))] # only choose the medication before treatment

adcm['RMHSPDC_GRP'] = adcm['RMHSPDC'].str.split(' -').str[0]
adcm['RMHSPDC_NAME'] = adcm['RMHSPDC'].str.rstrip(' -').str.split('- ').str[1].fillna('OTHERS')
adcm['RMHSPDC_NAME_MOD'] = ['MED_' + i.rstrip().replace(' ', '_') for i in adcm['RMHSPDC_NAME']]
adcm_cleaned = adcm[['USUBJID', 'RMHSPDC_GRP', 'RMHSPDC_NAME_MOD']]
adcm_cleaned_p = adcm_cleaned.dropna().drop_duplicates()

adcm = load_table('adcm', '2020')
adcm = adcm[(adcm.CMSTDT < adcm.TRTSDT) | (pd.isnull(adcm.CMSTDT))] # only choose the medication before treatment

adcm['RMHSPDC_GRP'] = adcm['RMHSPDC'].str.split(' -').str[0]
adcm['RMHSPDC_NAME'] = adcm['RMHSPDC'].str.rstrip(' -').str.split('- ').str[1].fillna('OTHERS')
adcm['RMHSPDC_NAME_MOD'] = ['MED_' + i.rstrip().replace(' ', '_') for i in adcm['RMHSPDC_NAME']]
adcm_cleaned = adcm[['USUBJID', 'RMHSPDC_GRP', 'RMHSPDC_NAME_MOD']]
adcm_cleaned_r = adcm_cleaned.dropna().drop_duplicates()

adcm_cleaned = pd.concat([adcm_cleaned_p, adcm_cleaned_r], axis=0)

med_list = adcm_cleaned.RMHSPDC_NAME_MOD.value_counts()[:15].index
print(med_list)
adcm_cleaned = adcm_cleaned[adcm_cleaned.RMHSPDC_NAME_MOD.isin(med_list) & (adcm_cleaned.RMHSPDC_NAME_MOD != 'OTHERS')]

adcm_cleaned['value'] = 1
adcm_pivoted = adcm_cleaned.pivot_table(
    values='value', 
    index='USUBJID', 
    columns='RMHSPDC_NAME_MOD',
    aggfunc=np.mean)
adcm_pivoted = adcm_pivoted.fillna(0)

adcm_pivoted['MED_DYSLIPID'] = np.where((adcm_pivoted['MED_DYSLIPIDEMIA']==1) | 
                                        (adcm_pivoted['MED_HYPERCHOLESTEROLEMIA']==1) |
                                        (adcm_pivoted['MED_HYPERLIPIDEMIA']==1), 1, 0)
adcm_pivoted['MED_HYPERUR'] = np.where((adcm_pivoted['MED_HYPERURICEMIA']==1) | 
                                        (adcm_pivoted['MED_GOUT']==1), 1, 0)
adcm_pivoted['MED_DM'] = np.where((adcm_pivoted['MED_DIABETES_MELLITUS']==1) | 
                                        (adcm_pivoted['MED_DIABETES']==1), 1, 0)
del adcm_pivoted['MED_DEPRESSION']
del adcm_pivoted['MED_HYPERURICEMIA']
del adcm_pivoted['MED_GOUT']
del adcm_pivoted['MED_HYPOTHYROIDISM']
del adcm_pivoted['MED_DYSLIPIDEMIA']
del adcm_pivoted['MED_HYPERCHOLESTEROLEMIA']
del adcm_pivoted['MED_HYPERLIPIDEMIA']
del adcm_pivoted['MED_DIABETES_MELLITUS']
del adcm_pivoted['MED_DIABETES']
adcm_pivoted.head(5)
Index(['MED_CHRONIC_HEART_FAILURE', 'MED_ATRIAL_FIBRILLATION',
       'MED_ARTERIAL_HYPERTENSION', 'MED_DIABETES_MELLITUS_TYPE_2',
       'MED_HYPERLIPIDEMIA', 'MED_DYSLIPIDEMIA', 'MED_CORONARY_ARTERY_DISEASE',
       'MED_HYPERURICEMIA', 'MED_HYPERTENSION', 'MED_HYPOTHYROIDISM',
       'MED_HYPERCHOLESTEROLEMIA', 'MED_DEPRESSION', 'MED_GOUT',
       'MED_DIABETES_MELLITUS', 'MED_DIABETES'],
      dtype='object')
Out[9]:
RMHSPDC_NAME_MOD MED_ARTERIAL_HYPERTENSION MED_ATRIAL_FIBRILLATION MED_CHRONIC_HEART_FAILURE MED_CORONARY_ARTERY_DISEASE MED_DIABETES_MELLITUS_TYPE_2 MED_HYPERTENSION MED_DYSLIPID MED_HYPERUR MED_DM
USUBJID
100027 0.0 1.0 1.0 1.0 0.0 0.0 0 0 0
100080 1.0 1.0 1.0 1.0 0.0 0.0 0 0 0
100089 0.0 0.0 1.0 0.0 0.0 0.0 0 0 1
100111 0.0 0.0 1.0 1.0 0.0 0.0 1 0 0
100167 1.0 0.0 1.0 0.0 0.0 0.0 1 0 0
In [10]:
admh_p = load_table('admh', '2019')[['USUBJID', 'MHLLT', 'MHHLGT', 'MHBODSYS']].drop_duplicates() 
admh_r = load_table('admh', '2020')[['USUBJID', 'MHLLT', 'MHHLGT', 'MHBODSYS']].drop_duplicates() 
admh = pd.concat([admh_p, admh_r], axis=0)

admh = admh.assign(PMH = np.where(admh.MHBODSYS == 'Cardiac disorders', admh.MHHLGT, admh.MHBODSYS))
admh['PMH'] = ['PMH_' + i.replace(' ', '_').upper() for i in admh['PMH']]
admh['value'] = 1

admh_pivoted = admh.pivot_table(
    values='value', 
    index='USUBJID', 
    columns='PMH',
    aggfunc=np.sum)
admh_pivoted = admh_pivoted.fillna(0)

select = [
    'PMH_BLOOD_AND_LYMPHATIC_SYSTEM_DISORDERS',
    'PMH_CARDIAC_ARRHYTHMIAS',
    'PMH_CARDIAC_VALVE_DISORDERS',
    'PMH_CORONARY_ARTERY_DISORDERS',
    'PMH_ENDOCRINE_DISORDERS',
    'PMH_GASTROINTESTINAL_DISORDERS',
    'PMH_HEART_FAILURES',
    'PMH_HEPATOBILIARY_DISORDERS',
    'PMH_IMMUNE_SYSTEM_DISORDERS',
    'PMH_METABOLISM_AND_NUTRITION_DISORDERS',
    'PMH_MUSCULOSKELETAL_AND_CONNECTIVE_TISSUE_DISORDERS',
    'PMH_MYOCARDIAL_DISORDERS',
    'PMH_NEOPLASMS_BENIGN,_MALIGNANT_AND_UNSPECIFIED_(INCL_CYSTS_AND_POLYPS)',
    'PMH_NERVOUS_SYSTEM_DISORDERS',
    'PMH_PERICARDIAL_DISORDERS',
    'PMH_PSYCHIATRIC_DISORDERS',
    'PMH_RENAL_AND_URINARY_DISORDERS',
    'PMH_REPRODUCTIVE_SYSTEM_AND_BREAST_DISORDERS',
    'PMH_RESPIRATORY,_THORACIC_AND_MEDIASTINAL_DISORDERS',
    'PMH_VASCULAR_DISORDERS'
]
admh_pivoted = admh_pivoted[select]
admh_pivoted.head(5)
Out[10]:
PMH PMH_BLOOD_AND_LYMPHATIC_SYSTEM_DISORDERS PMH_CARDIAC_ARRHYTHMIAS PMH_CARDIAC_VALVE_DISORDERS PMH_CORONARY_ARTERY_DISORDERS PMH_ENDOCRINE_DISORDERS PMH_GASTROINTESTINAL_DISORDERS PMH_HEART_FAILURES PMH_HEPATOBILIARY_DISORDERS PMH_IMMUNE_SYSTEM_DISORDERS PMH_METABOLISM_AND_NUTRITION_DISORDERS PMH_MUSCULOSKELETAL_AND_CONNECTIVE_TISSUE_DISORDERS PMH_MYOCARDIAL_DISORDERS PMH_NEOPLASMS_BENIGN,_MALIGNANT_AND_UNSPECIFIED_(INCL_CYSTS_AND_POLYPS) PMH_NERVOUS_SYSTEM_DISORDERS PMH_PERICARDIAL_DISORDERS PMH_PSYCHIATRIC_DISORDERS PMH_RENAL_AND_URINARY_DISORDERS PMH_REPRODUCTIVE_SYSTEM_AND_BREAST_DISORDERS PMH_RESPIRATORY,_THORACIC_AND_MEDIASTINAL_DISORDERS PMH_VASCULAR_DISORDERS
USUBJID
100027 0.0 1.0 2.0 1.0 0.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 1.0 2.0
100080 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
100089 0.0 3.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 1.0 0.0 0.0 0.0 1.0 2.0 0.0 2.0 1.0
100111 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0
100167 0.0 2.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
In [11]:
adqskccq_p = load_table('adqskccq', '2019')[['USUBJID', 'QSDT', 'VISIT', 'PARAMCD', 'PARAM', 'AVAL']]
adqskccq_r = load_table('adqskccq', '2020')[['USUBJID', 'QSDT', 'VISIT', 'PARAMCD', 'PARAM', 'AVAL']]
adqskccq = pd.concat([adqskccq_p, adqskccq_r], axis=0)

adqskccq = adqskccq[adqskccq.PARAM == 'Overall Summary Score']
adqskccq_pivoted = adqskccq.pivot_table(
    values='AVAL', 
    index=['USUBJID', 'VISIT'], 
    columns='PARAM',
    aggfunc=np.mean)
adqskccq_pivoted.head(5)
Out[11]:
PARAM Overall Summary Score
USUBJID VISIT
100027 DAY 0 24.479167
DAY 28 44.791667
PREMATURE DISCONTINUATION VISIT 66.406250
100080 DAY 0 56.250000
DAY 28 65.104167
In [12]:
adqsnyha_p = load_table('adqsnyha', '2019')[['USUBJID', 'QSDT', 'VISIT', 'PARAMCD', 'PARAM', 'AVAL']]
adqsnyha_r = load_table('adqsnyha', '2020')[['USUBJID', 'QSDT', 'VISIT', 'PARAMCD', 'PARAM', 'AVAL']]
adqsnyha = pd.concat([adqsnyha_p, adqsnyha_r], axis=0)

# adqsnyha = adqsnyha[adqsnyha.VISIT == 'DAY 0']
adqsnyha_pivoted = adqsnyha.pivot_table(
    values='AVAL', 
    index=['USUBJID', 'VISIT'], 
    columns='PARAM',
    aggfunc=np.mean)
adqsnyha_pivoted.head(5)
Out[12]:
PARAM NYHA Functional Class
USUBJID VISIT
100027 DAY 0 2.0
DAY 28 2.0
PREMATURE DISCONTINUATION VISIT 3.0
SAFETY FOLLOW UP VISIT 3.0
100080 DAY 0 2.0
In [13]:
# No adsu in HFrEF
adsu_p = load_table('adsu', '2019')[['USUBJID', 'VISIT', 'SUCAT', 'SUOCCUR']]
adsu_r = load_table('adsu', '2020')[['USUBJID', 'VISIT', 'SUCAT', 'SUOCCUR']]
adsu = pd.concat([adsu_p, adsu_r], axis=0)
# adsu = adsu[adsu.VISIT == 'DAY 0'].dropna().drop_duplicates()

adsu['SUCAT'] = [i.replace(' ', '_') for i in adsu['SUCAT']]
adsu['SUOCCUR'] = np.where(adsu['SUOCCUR'] == 'Y', 1, 0)
adsu_pivoted = adsu.pivot_table(
    values='SUOCCUR', 
    index=['USUBJID', 'VISIT'], 
    columns='SUCAT',
    aggfunc=np.max)
adsu_pivoted.head(5)
Out[13]:
SUCAT ALCOHOL_CONSUMPTION CONTAINING_METHLYXANTHINE TOBACCO
USUBJID VISIT
100027 DAY 0 1.0 1.0 1.0
PREMATURE DISCONTINUATION VISIT NaN 1.0 NaN
100080 DAY 0 0.0 1.0 1.0
END OF TREATMENT NaN 1.0 NaN
100089 DAY 0 0.0 1.0 1.0
In [14]:
advs_p = load_table('advs', '2019')[['USUBJID', 'VSDT', 'VISIT', 'VSTEST', 'AVAL', 'PCHG']]
advs_r = load_table('advs', '2020')[['USUBJID', 'VSDT', 'VISIT', 'VSTEST', 'AVAL', 'PCHG']]
advs = pd.concat([advs_p, advs_r], axis=0)

# advs = advs[advs.VISIT == 'DAY 0']
advs['VSTEST'] = [i.replace(' ', '_').upper() for i in advs['VSTEST']]
selected = ['BODY_MASS_INDEX', 'SYSTOLIC_BLOOD_PRESSURE', 'DIASTOLIC_BLOOD_PRESSURE', 'HEART_RATE']
advs = advs[advs['VSTEST'].isin(selected)]
advs_pivoted = advs.pivot_table(
    values='AVAL', 
    index=['USUBJID', 'VISIT'], 
    columns='VSTEST',
    aggfunc=np.mean)
advs_pivoted.head(5)
Out[14]:
VSTEST BODY_MASS_INDEX DIASTOLIC_BLOOD_PRESSURE HEART_RATE SYSTOLIC_BLOOD_PRESSURE
USUBJID VISIT
100027 DAY 0 31.2 68.0 77.0 121.0
DAY 28 NaN 100.0 79.0 130.0
PREMATURE DISCONTINUATION VISIT NaN 56.0 65.0 87.0
SAFETY FOLLOW UP VISIT NaN 67.0 55.0 102.0
SCREENING NaN 85.0 93.0 115.0
In [15]:
adlb_p = load_table('adlb', '2019')[['USUBJID', 'LBDT', 'VISIT', 'LBTEST', 'LBORRES', 'LBNRIND']]
adlb_r = load_table('adlb', '2020')[['USUBJID', 'LBDT', 'VISIT', 'LBTEST', 'LBORRES', 'LBNRIND']]
adlb = pd.concat([adlb_p, adlb_r], axis=0)

# adlb = adlb[adlb['VISIT'] == 'DAY 0']
adlb['LBTEST'] = ['LB_' + i.replace(' ', '_').upper() for i in adlb['LBTEST']]
adlb_pivoted = adlb.pivot_table(
    values='LBORRES', 
    index=['USUBJID', 'VISIT'], 
    columns='LBTEST',
    aggfunc=np.sum)
adlb_pivoted.head(5)
Out[15]:
LBTEST LB_ACTIVATED_PARTIAL_THROMBOPLASTIN_TIME LB_ALANINE_AMINOTRANSFERASE LB_ALBUMIN LB_ALKALINE_PHOSPHATASE LB_AMYLASE LB_ASPARTATE_AMINOTRANSFERASE LB_BASOPHILS LB_BASOPHILS/LEUKOCYTES LB_BILIRUBIN LB_CALCIUM LB_CHLORIDE LB_CHOLESTEROL LB_CREATINE_KINASE LB_CREATINE_KINASE_MB LB_CREATININE LB_CYSTATIN_C LB_DIRECT_BILIRUBIN LB_EOSINOPHILS LB_EOSINOPHILS/LEUKOCYTES LB_ERY._MEAN_CORPUSCULAR_HEMOGLOBIN LB_ERY._MEAN_CORPUSCULAR_HGB_CONCENTRATION LB_ERY._MEAN_CORPUSCULAR_VOLUME LB_ERYTHROCYTES LB_GAMMA_GLUTAMYL_TRANSFERASE LB_GLOMERULAR_FILTRATION_RATE,_ESTIMATED LB_GLUCOSE LB_HDL_CHOLESTEROL LB_HEMATOCRIT LB_HEMOGLOBIN LB_INDIRECT_BILIRUBIN LB_LABORATORY_ALL LB_LACTATE_DEHYDROGENASE LB_LDL_CHOLESTEROL LB_LEUKOCYTES LB_LYMPHOCYTES LB_LYMPHOCYTES/LEUKOCYTES LB_MAGNESIUM LB_MONOCYTES LB_MONOCYTES/LEUKOCYTES LB_NEUTROPHILS LB_NEUTROPHILS/LEUKOCYTES LB_PHOSPHATE LB_PLATELETS LB_POTASSIUM LB_PROTEIN LB_PROTHROMBIN_INTL._NORMALIZED_RATIO LB_PROTHROMBIN_TIME LB_RETICULOCYTES/ERYTHROCYTES LB_SODIUM LB_TRIACYLGLYCEROL_LIPASE LB_TRIGLYCERIDES LB_TROPONIN_I LB_TROPONIN_T LB_URATE LB_UREA
USUBJID VISIT
100027 DAY 0 LBORRES 26.2 27 4.2 82 64 30 0.06 0.7 0.3 10.5 94 258 68 NaN 1 1.02 0.1 0.28 3.2 28 32 88 5.4 44 80.8 232 35 47 15.3 0.2 NaN 209 0 8.86 2.18 24.7 2 0.5 5.7 5.82 65.7 3.7 315 5 7.9 1.1 12.3 2.8 138 49 647 NaN NaN 13.2 29
DAY 28 LBORRES 26.2 24 3.7 82 66 22 0 0 0.2 9.5 96 243 78 NaN 1.3 1.05 <0.1 0.11 1 29 30 94 5.1 50 59.7 286 41 48 14.6 <0.2 NaN 184 0 11.11 3.22 29 2.1 0.22 2 7.55 68 4 282 4.3 6.9 1.2 12.5 2.8 137 72 514 NaN NaN 13.4 46
PREMATURE DISCONTINUATION VISIT LBORRES 34.3 28 3.9 79 82 27 0.12 1.1 0.5 9.5 97 264 88 NaN 1.9 1.54 0.1 0.25 2.4 29 33 90 4.5 44 38.5 195 40 40 13.1 0.4 NaN 207 167 10.24 2.42 23.6 2.3 0.47 4.6 6.99 68.3 5.8 290 5.9 7.4 1.7 18 4.1 135 45 284 NaN NaN 14.5 54
SAFETY FOLLOW UP VISIT LBORRES 26.6 21 3.9 85 61 22 0.07 0.8 0.4 9.9 93 344 94 NaN 1.5 NaN 0.1 0.12 1.3 29 31 94 4.8 47 50.6 384 26 45 13.9 0.2 NaN 201 0 8.93 2.5 28 2.1 0.22 2.5 6.02 67.4 4.2 234 5.4 7.3 1.2 12.9 4.5 133 62 1370 NaN NaN 13.6 50
100080 DAY 0 LBORRES 35.8 192 3.6 97 47 99 0.08 0.7 1 9.1 102 152 66 NaN 0.7 0.71 0.2 0.12 1.1 31 34 91 4.3 97 83 97 37 40 13.4 0.8 NaN 0 75 10.95 1.88 17.2 2.4 0.69 6.3 8.18 74.7 4 206 3.9 5.6 1.2 12 3.4 140 30 202 NaN NaN 8.3 22
In [16]:
adxb = load_table('adxb', '2019')[['USUBJID', 'XBDT', 'VISIT', 'PARAMCD', 'XBTEST', 'AVALC', 'PCHG']]
adxb.head(100)
Out[16]:
USUBJID XBDT VISIT PARAMCD XBTEST AVALC PCHG
0 200894 2017-08-29 DAY 0 CREAT CREATININE 40 0.000000
1 200894 2017-08-29 DAY 0 NT_P_BNP NT-PRO BNP 1585 0.000000
2 200894 2017-08-29 DAY 0 NT_P_BNP NT-PRO BNP 1585 0.000000
3 200894 2017-08-29 DAY 0 TROPTHS TROPONIN T HIGH SENSITIVE 0.06178 0.000000
4 200894 NaN NaN TROPTHS NaN NaN NaN
5 200894 2017-08-29 DAY 0 TROPTHS TROPONIN T HIGH SENSITIVE 0.06178 0.000000
6 200894 2017-08-29 DAY 0 LTROPTHS TROPONIN T HIGH SENSITIVE -2.784175591 0.000000
7 200894 NaN NaN LTROPTHS NaN NaN NaN
8 200894 2017-08-29 DAY 0 LTROPTHS TROPONIN T HIGH SENSITIVE -2.784175591 0.000000
9 200894 2017-08-29 DAY 0 HBA1C HEMOGLOBIN A1C 5.9 0.000000
10 200894 2017-08-29 DAY 0 FFA FREE FATTY ACIDS 0.3 0.000000
11 200894 2017-08-29 DAY 0 UACR URINE ALBUMIN-TO-CREATININE RATIO 2.6013 0.000000
12 200894 2017-08-29 DAY 0 UALBUM ALBUMIN 9 0.000000
13 200894 2017-08-29 DAY 0 NGAL NEUTROPHIL GELATINASE-ASSOC. LIPOCALIN 4.238 0.000000
14 200894 2017-08-29 DAY 0 LTNTPBNP NT-PRO BNP 7.3683396863 0.000000
15 200894 2017-08-29 DAY 0 LTNTPBNP NT-PRO BNP 7.3683396863 0.000000
16 203831 2017-10-25 DAY 0 CREAT CREATININE 106 0.000000
17 203831 2017-11-23 DAY 28 CREAT CREATININE 160 50.943396
18 203831 2018-03-15 END OF TREATMENT CREAT CREATININE 143 34.905660
19 203831 2017-10-25 DAY 0 NT_P_BNP NT-PRO BNP 316 0.000000
20 203831 2017-11-23 DAY 28 NT_P_BNP NT-PRO BNP 179 -43.354430
21 203831 2018-03-15 END OF TREATMENT NT_P_BNP NT-PRO BNP 159 -49.683544
22 203831 2018-03-15 END OF TREATMENT NT_P_BNP NT-PRO BNP 159 -49.683544
23 203831 2018-03-15 END OF TREATMENT NT_P_BNP NT-PRO BNP 159.00000000 -49.683544
24 203831 2018-04-13 SAFETY FOLLOW UP VISIT NT_P_BNP NT-PRO BNP 119 -62.341772
25 203831 2017-10-25 DAY 0 TROPTHS TROPONIN T HIGH SENSITIVE 0.0065 0.000000
26 203831 2017-11-23 DAY 28 TROPTHS TROPONIN T HIGH SENSITIVE 0.0065 0.000000
27 203831 2018-03-15 END OF TREATMENT TROPTHS TROPONIN T HIGH SENSITIVE 0.0065 0.000000
28 203831 2018-03-15 END OF TREATMENT TROPTHS TROPONIN T HIGH SENSITIVE 0.0065 0.000000
29 203831 2018-03-15 END OF TREATMENT TROPTHS TROPONIN T HIGH SENSITIVE 0.00650000 0.000000
30 203831 2017-10-25 DAY 0 LTROPTHS TROPONIN T HIGH SENSITIVE -5.035953102 0.000000
31 203831 2017-11-23 DAY 28 LTROPTHS TROPONIN T HIGH SENSITIVE -5.035953102 0.000000
32 203831 2018-03-15 END OF TREATMENT LTROPTHS TROPONIN T HIGH SENSITIVE -5.035953102 0.000000
33 203831 2018-03-15 END OF TREATMENT LTROPTHS TROPONIN T HIGH SENSITIVE -5.035953102 0.000000
34 203831 2018-03-15 END OF TREATMENT LTROPTHS TROPONIN T HIGH SENSITIVE -5.03595310 0.000000
35 203831 2017-10-25 DAY 0 HBA1C HEMOGLOBIN A1C 7.3 0.000000
36 203831 2017-11-23 DAY 28 HBA1C HEMOGLOBIN A1C 7.8 6.849315
37 203831 2018-03-15 END OF TREATMENT HBA1C HEMOGLOBIN A1C 8.1 10.958904
38 203831 2017-10-25 DAY 0 FFA FREE FATTY ACIDS 0.4 0.000000
39 203831 2017-11-23 DAY 28 FFA FREE FATTY ACIDS 0.3 -25.000000
40 203831 2018-03-15 END OF TREATMENT FFA FREE FATTY ACIDS 0.3 -25.000000
41 203831 2017-10-25 DAY 0 UACR URINE ALBUMIN-TO-CREATININE RATIO 0.6786 0.000000
42 203831 2017-11-23 DAY 28 UACR URINE ALBUMIN-TO-CREATININE RATIO 0.6786 0.000000
43 203831 2018-03-15 END OF TREATMENT UACR URINE ALBUMIN-TO-CREATININE RATIO 0.4524 -33.333333
44 203831 2017-10-25 DAY 0 UALBUM ALBUMIN 6 0.000000
45 203831 2017-11-23 DAY 28 UALBUM ALBUMIN 9 50.000000
46 203831 2018-03-15 END OF TREATMENT UALBUM ALBUMIN 6 0.000000
47 203831 2017-10-25 DAY 0 NGAL NEUTROPHIL GELATINASE-ASSOC. LIPOCALIN 8.706 0.000000
48 203831 2017-11-23 DAY 28 NGAL NEUTROPHIL GELATINASE-ASSOC. LIPOCALIN 41.908 381.369171
49 203831 2018-03-15 END OF TREATMENT NGAL NEUTROPHIL GELATINASE-ASSOC. LIPOCALIN 8.563 -1.642545
50 203831 2017-10-25 DAY 0 LTNTPBNP NT-PRO BNP 5.7557422136 0.000000
51 203831 2017-11-23 DAY 28 LTNTPBNP NT-PRO BNP 5.1873858058 -9.874598
52 203831 2018-03-15 END OF TREATMENT LTNTPBNP NT-PRO BNP 5.0689042022 -11.933092
53 203831 2018-03-15 END OF TREATMENT LTNTPBNP NT-PRO BNP 5.0689042022 -11.933092
54 203831 2018-04-13 SAFETY FOLLOW UP VISIT LTNTPBNP NT-PRO BNP 5.06890420 -11.933092
55 203831 2018-04-13 SAFETY FOLLOW UP VISIT LTNTPBNP NT-PRO BNP 4.7791234931 -16.967729
56 200979 2017-11-01 DAY 0 CREAT CREATININE 39 0.000000
57 200979 2017-11-30 DAY 28 CREAT CREATININE 74 89.743590
58 200979 2018-03-21 END OF TREATMENT CREAT CREATININE 26 -33.333333
59 200979 2017-11-01 DAY 0 NT_P_BNP NT-PRO BNP 822 0.000000
60 200979 2017-11-30 DAY 28 NT_P_BNP NT-PRO BNP 768 -6.569343
61 200979 2018-03-21 END OF TREATMENT NT_P_BNP NT-PRO BNP 953 15.936740
62 200979 2018-03-21 END OF TREATMENT NT_P_BNP NT-PRO BNP 953 15.936740
63 200979 2018-03-21 END OF TREATMENT NT_P_BNP NT-PRO BNP 953.00000000 15.936740
64 200979 2018-04-18 SAFETY FOLLOW UP VISIT NT_P_BNP NT-PRO BNP 787 -4.257908
65 200979 2017-11-01 DAY 0 TROPTHS TROPONIN T HIGH SENSITIVE 0.02171 0.000000
66 200979 2017-11-30 DAY 28 TROPTHS TROPONIN T HIGH SENSITIVE 0.02569 18.332566
67 200979 2018-03-21 END OF TREATMENT TROPTHS TROPONIN T HIGH SENSITIVE 0.0262 20.681713
68 200979 2018-03-21 END OF TREATMENT TROPTHS TROPONIN T HIGH SENSITIVE 0.0262 20.681713
69 200979 2018-03-21 END OF TREATMENT TROPTHS TROPONIN T HIGH SENSITIVE 0.02620000 20.681713
70 200979 2017-11-01 DAY 0 LTROPTHS TROPONIN T HIGH SENSITIVE -3.829982295 0.000000
71 200979 2017-11-30 DAY 28 LTROPTHS TROPONIN T HIGH SENSITIVE -3.661653468 -4.395029
72 200979 2018-03-21 END OF TREATMENT LTROPTHS TROPONIN T HIGH SENSITIVE -3.641995868 -4.908284
73 200979 2018-03-21 END OF TREATMENT LTROPTHS TROPONIN T HIGH SENSITIVE -3.641995868 -4.908284
74 200979 2018-03-21 END OF TREATMENT LTROPTHS TROPONIN T HIGH SENSITIVE -3.64199587 -4.908284
75 200979 2017-11-01 DAY 0 HBA1C HEMOGLOBIN A1C 5.9 0.000000
76 200979 2017-11-30 DAY 28 HBA1C HEMOGLOBIN A1C 5.9 0.000000
77 200979 2018-03-21 END OF TREATMENT HBA1C HEMOGLOBIN A1C 5.6 -5.084746
78 200979 2017-11-01 DAY 0 FFA FREE FATTY ACIDS 1.2 0.000000
79 200979 2017-11-30 DAY 28 FFA FREE FATTY ACIDS 1.3 8.333333
80 200979 2018-03-21 END OF TREATMENT FFA FREE FATTY ACIDS 1 -16.666667
81 200979 2017-11-01 DAY 0 UACR URINE ALBUMIN-TO-CREATININE RATIO 0.4524 0.000000
82 200979 2017-11-30 DAY 28 UACR URINE ALBUMIN-TO-CREATININE RATIO 4.9764 1000.000000
83 200979 2018-03-21 END OF TREATMENT UACR URINE ALBUMIN-TO-CREATININE RATIO 1.2441 175.000000
84 200979 2017-11-01 DAY 0 UALBUM ALBUMIN 1.5 0.000000
85 200979 2017-11-30 DAY 28 UALBUM ALBUMIN 33 2100.000000
86 200979 2018-03-21 END OF TREATMENT UALBUM ALBUMIN 3 100.000000
87 200979 2017-11-01 DAY 0 NGAL NEUTROPHIL GELATINASE-ASSOC. LIPOCALIN 1.641 0.000000
88 200979 2017-11-30 DAY 28 NGAL NEUTROPHIL GELATINASE-ASSOC. LIPOCALIN 3.622 120.719074
89 200979 2018-03-21 END OF TREATMENT NGAL NEUTROPHIL GELATINASE-ASSOC. LIPOCALIN 3.906 138.025594
90 200979 2017-11-01 DAY 0 LTNTPBNP NT-PRO BNP 6.7117403951 0.000000
91 200979 2017-11-30 DAY 28 LTNTPBNP NT-PRO BNP 6.6437897331 -1.012415
92 200979 2018-03-21 END OF TREATMENT LTNTPBNP NT-PRO BNP 6.8596149037 2.203222
93 200979 2018-03-21 END OF TREATMENT LTNTPBNP NT-PRO BNP 6.8596149037 2.203222
94 200979 2018-04-18 SAFETY FOLLOW UP VISIT LTNTPBNP NT-PRO BNP 6.85961490 2.203222
95 200979 2018-04-18 SAFETY FOLLOW UP VISIT LTNTPBNP NT-PRO BNP 6.6682282484 -0.648299
96 202575 2017-08-10 DAY 0 CREAT CREATININE 47 0.000000
97 202575 2017-09-07 DAY 28 CREAT CREATININE 88 87.234043
98 202575 2018-01-04 END OF TREATMENT CREAT CREATININE 57 21.276596
99 202575 2017-08-10 DAY 0 NT_P_BNP NT-PRO BNP 483 0.000000
In [17]:
adxb_p = load_table('adxb', '2019')[['USUBJID', 'XBDT', 'VISIT', 'PARAMCD', 'XBTEST', 'AVALC', 'PCHG']]
adxb_r = load_table('adxb', '2020')[['USUBJID', 'XBDT', 'VISIT', 'PARAMCD', 'XBTEST', 'AVALC', 'PCHG']]
adxb = pd.concat([adxb_p, adxb_r], axis=0)

# adxb = adxb[adxb['VISIT'] == 'DAY 0'].dropna()
adxb['PARAMCD'] = ['XB_' + str(i).replace(' ', '_').upper() for i in adxb['PARAMCD']]
adxb = adxb.dropna()
adxb['AVALC'] = adxb.AVALC.astype(float)
print(adxb.PARAMCD.value_counts().index[:9].tolist())
print(adxb.XBTEST.value_counts().index[:9].tolist())
select = ['XB_NT_P_BNP', 'XB_TROPTHS', 'XB_HBA1C', 'XB_FFA', 'XB_UALBUM', 'XB_NGAL']
adxb = adxb[adxb['PARAMCD'].isin(select)]
adxb_pivoted = adxb.pivot_table(
    values='AVALC', 
    index=['USUBJID', 'VISIT'], 
    columns='PARAMCD',
    aggfunc=np.mean)
adxb_pivoted.head(5)
['XB_LTNTPBNP', 'XB_NT_P_BNP', 'XB_LTROPTHS', 'XB_TROPTHS', 'XB_CREAT', 'XB_UALBUM', 'XB_UACR', 'XB_HBA1C', 'XB_FFA']
['NT-PRO BNP', 'TROPONIN T HIGH SENSITIVE', 'CREATININE', 'ALBUMIN', 'URINE ALBUMIN-TO-CREATININE RATIO', 'HEMOGLOBIN A1C', 'FREE FATTY ACIDS', 'NEUTROPHIL GELATINASE-ASSOC. LIPOCALIN']
Out[17]:
PARAMCD XB_FFA XB_HBA1C XB_NGAL XB_NT_P_BNP XB_TROPTHS XB_UALBUM
USUBJID VISIT
100027 DAY 28 0.3 10.4 9.324 1148.0 0.04103 92.0
PREMATURE DISCONTINUATION VISIT 0.8 10.2 27.418 689.0 0.05526 78.0
SAFETY FOLLOW UP VISIT NaN NaN NaN 1084.0 NaN NaN
100080 DAY 28 0.6 5.8 4.151 4839.0 0.01595 9.0
END OF TREATMENT 0.4 5.7 28.201 2757.0 0.01625 17.0
In [18]:
adxl_p = load_table('adxl', '2019')[['USUBJID', 'XLDT', 'VISIT', 'PARAMCD', 'XLSMETHD', 'XLTEST', 'XLVIEW', 'AVALC', 'PCHG']]
adxl_r = load_table('adxl', '2020')[['USUBJID', 'XLDT', 'VISIT', 'PARAMCD', 'XLSMETHD', 'XLTEST', 'XLVIEW', 'AVALC', 'PCHG']]
adxl = pd.concat([adxl_p, adxl_r], axis=0)

# adxl = adxl[adxl['VISIT'] == 'DAY 0'].dropna(subset=['AVALC'])
adxl['XLTEST'] = ['XL_' + i.replace(' ', '_').upper() for i in adxl['XLTEST']]
adxl['AVALC'] = [''.join(str(s).split()) for s in adxl['AVALC']]
adxl['AVALC'] = np.where(adxl['AVALC'] == '.', np.nan, adxl['AVALC'])
adxl['AVALC'] = adxl.AVALC.astype(float)
select = [
    'XL_DISTANCE_COVERED_AFTER_6_MINUTES',
    'XL_GLOBAL_LONGITUDINAL_SYSTOLIC_STRAIN',
    'XL_LEFT_VENTRICULAR_MASS_INDEX',
    'XL_CARDIAC_INDEX',
]
adxl = adxl[adxl['XLTEST'].isin(select)]
adxl_pivoted = adxl.pivot_table(
    values='AVALC', 
    index=['USUBJID', 'VISIT'], 
    columns='XLTEST',
    aggfunc=np.mean)
adxl_pivoted.head(5)
Out[18]:
XLTEST XL_CARDIAC_INDEX XL_DISTANCE_COVERED_AFTER_6_MINUTES XL_GLOBAL_LONGITUDINAL_SYSTOLIC_STRAIN XL_LEFT_VENTRICULAR_MASS_INDEX
USUBJID VISIT
100080 DAY 0 NaN NaN -3.900000 104.77
END OF TREATMENT 2171.47 NaN -9.233333 89.59
100089 DAY 0 NaN NaN -7.866667 174.73
END OF TREATMENT 1506.57 NaN -6.433333 138.25
100111 DAY 0 NaN NaN NaN 144.07
In [19]:
avivo_p = load_table('avivo', '2019')[[
    'usubjid', 'start', 'end', 'visit_name', 'sub_category', 'category_details', 
    'num_result', 'character_result'
]]
avivo_r = load_table('avivo', '2020')[[
    'usubjid', 'start', 'end', 'visit_name', 'sub_category', 'category_details', 
    'num_result', 'character_result'
]]
avivo = pd.concat([avivo_p, avivo_r], axis=0)

avivo = avivo.rename(columns={'usubjid': 'USUBJID', 'visit_name': 'VISIT'})
avivo['VISIT'] = avivo['VISIT'].replace('DAY0', 'DAY 0').replace('DAY56', 'DAY 56')

# avivo = avivo[avivo['VISIT'] == 'DAY 0']
avivo['category_details'] = ['A_' + i.replace(' ', '_').upper() for i in avivo['category_details']]
avivo['num_result'] = avivo.num_result.astype(float)
select = [
    'A_SUMMARY_(MEAN)_HEART_RATE',
    'A_SUMMARY_(MEAN)_FLUID_STATUS',
    'A_SUMMARY_(MEAN)_RESPIRATION_RATE',
    'A_SUMMARY_(MEAN)_ACTIVITY_INTENSITY',
    'A_HEART_RATE_VARIABILITY',
    'A_AF_EPISODE_COUNT',
    'A_PAUSE_COUNT',
]
avivo = avivo[avivo['category_details'].isin(select)]
avivo_pivoted = avivo.pivot_table(
    values='num_result', 
    index=['USUBJID', 'VISIT'], 
    columns='category_details',
    aggfunc=np.mean)
avivo_pivoted.head(5)
Out[19]:
category_details A_AF_EPISODE_COUNT A_HEART_RATE_VARIABILITY A_PAUSE_COUNT A_SUMMARY_(MEAN)_ACTIVITY_INTENSITY A_SUMMARY_(MEAN)_FLUID_STATUS A_SUMMARY_(MEAN)_HEART_RATE A_SUMMARY_(MEAN)_RESPIRATION_RATE
USUBJID VISIT
100027 DAY 0 17.0 87.500 NaN 1.42125 59.75750 88.724960 10.41125
RUN IN 20.0 106.750 NaN 1.36250 59.47125 79.235315 11.90875
100072 RUN IN 7.0 57.875 NaN 1.87500 42.24625 70.322741 16.60125
100080 DAY 0 71.0 57.375 NaN 2.90250 71.17750 102.697641 9.38000
DAY 56 190.0 68.500 NaN 3.50500 80.19750 92.505135 10.85500
In [20]:
adqskccq = load_table('adqskccq', '2019')[['USUBJID', 'QSDT', 'VISIT', 'PARAMCD', 'PARAM', 'AVAL']]
adqskccq[(adqskccq.USUBJID==200080) & (adqskccq.PARAM=='Overall Summary Score')]
Out[20]:
USUBJID QSDT VISIT PARAMCD PARAM AVAL
14890 200080 2017-12-13 DAY 0 KCCQOSS Overall Summary Score 86.458333
14891 200080 2018-01-10 DAY 28 KCCQOSS Overall Summary Score 90.104167
14892 200080 2018-03-07 DAY 84 KCCQOSS Overall Summary Score 96.875000
14893 200080 2018-05-02 END OF TREATMENT KCCQOSS Overall Summary Score 85.416667
14894 200080 2018-05-02 END OF TREATMENT KCCQOSS Overall Summary Score 85.416667
14895 200080 2018-05-02 END OF TREATMENT KCCQOSS Overall Summary Score 85.416667
In [21]:
adqskccq_p = load_table('adqskccq', '2019')[['USUBJID', 'QSDT', 'VISIT', 'PARAMCD', 'PARAM', 'AVAL']]
adqskccq_r = load_table('adqskccq', '2020')[['USUBJID', 'QSDT', 'VISIT', 'PARAMCD', 'PARAM', 'AVAL']]
adqskccq = pd.concat([adqskccq_p, adqskccq_r], axis=0)

d_adqskccq = adqskccq[adqskccq.PARAM == 'Overall Summary Score'].dropna().drop_duplicates(subset=['USUBJID', 'VISIT'])
# d_adqskccq['AVAL2'] = d_adqskccq['AVAL']
# d_adqskccq = d_adqskccq.groupby(['USUBJID', 'VISIT']).agg({'AVAL' : 'first', 'AVAL2' : 'last'})#.reset_index(0)
d_adqskccq['AVAL2'] = d_adqskccq.groupby(['USUBJID'])['AVAL'].transform(lambda x: x.shift(-1))
d_adqskccq['AVALF'] = d_adqskccq.groupby(['USUBJID'])['AVAL'].transform('last')
d_adqskccq['AVAL2'] = np.where(d_adqskccq['AVAL2'].isnull(), d_adqskccq['AVAL'], d_adqskccq['AVAL2'])
d_adqskccq['D_KCCQ'] = (d_adqskccq['AVAL2'] - d_adqskccq['AVAL']) / d_adqskccq['AVAL'] # change from absolute val to percentage
d_adqskccq['D_KCCQ_ACC'] = (d_adqskccq['AVALF'] - d_adqskccq['AVAL']) / d_adqskccq['AVAL'] # change from absolute val to percentage
d_adqskccq = d_adqskccq.groupby(['USUBJID', 'VISIT'])[['D_KCCQ', 'D_KCCQ_ACC']].agg('mean')
d_adqskccq.head(5)
Out[21]:
D_KCCQ D_KCCQ_ACC
USUBJID VISIT
100027 DAY 0 0.829787 1.712766
DAY 28 0.482558 0.482558
PREMATURE DISCONTINUATION VISIT 0.000000 0.000000
100080 DAY 0 0.157407 0.212963
DAY 28 0.064000 0.048000
In [22]:
adxl_p = load_table('adxl', '2019')[['USUBJID', 'XLDT', 'VISIT', 'PARAMCD', 'XLSMETHD', 'XLTEST', 'XLVIEW', 'AVALC', 'PCHG']]
adxl_r = load_table('adxl', '2020')[['USUBJID', 'XLDT', 'VISIT', 'PARAMCD', 'XLSMETHD', 'XLTEST', 'XLVIEW', 'AVALC', 'PCHG']]
adxl = pd.concat([adxl_p, adxl_r], axis=0)

d_6mwd = adxl[adxl.XLTEST == 'Distance covered after 6 minutes'].dropna(subset=['AVALC']).drop_duplicates(subset=['USUBJID', 'VISIT'])
d_6mwd['AVALC'] = d_6mwd['AVALC'].astype(float)
# d_6mwd['AVALC2'] = d_6mwd['AVALC'].astype(float)
# d_6mwd = d_6mwd.groupby(['USUBJID']).agg({'AVALC' : 'first', 'AVALC2' : 'last'}).reset_index(0)
d_6mwd['AVALC2'] = d_6mwd.groupby(['USUBJID'])['AVALC'].transform(lambda x: x.shift(-1))
d_6mwd['AVALCF'] = d_6mwd.groupby(['USUBJID'])['AVALC'].transform('last')
d_6mwd['AVALC2'] = np.where(d_6mwd['AVALC2'].isnull(), d_6mwd['AVALC'], d_6mwd['AVALC2'])
d_6mwd['D_6MWD'] = (d_6mwd['AVALC2'] - d_6mwd['AVALC']) / d_6mwd['AVALC']
d_6mwd['D_6MWD_ACC'] = (d_6mwd['AVALCF'] - d_6mwd['AVALC']) / d_6mwd['AVALC']
d_6mwd = d_6mwd.groupby(['USUBJID', 'VISIT'])[['D_6MWD', 'D_6MWD_ACC']].agg('mean')
d_6mwd.head(5)
Out[22]:
D_6MWD D_6MWD_ACC
USUBJID VISIT
200027 DAY 0 0.131678 0.131678
DAY 56 0.000000 0.000000
SCREENING -0.022794 0.105882
200072 DAY 0 0.062356 0.055427
DAY 56 -0.006522 -0.006522
In [23]:
adxb_p = load_table('adxb', '2019')[['USUBJID', 'XBDT', 'VISIT', 'PARAMCD', 'XBTEST', 'AVALC', 'PCHG']]
adxb_r = load_table('adxb', '2020')[['USUBJID', 'XBDT', 'VISIT', 'PARAMCD', 'XBTEST', 'AVALC', 'PCHG']]
adxb = pd.concat([adxb_p, adxb_r], axis=0)

d_trop = adxb[adxb.PARAMCD == 'TROPTHS'].drop_duplicates(subset=['USUBJID', 'VISIT'])
d_trop['AVALC'] = d_trop['AVALC'].replace('.', np.nan)
d_trop = d_trop.dropna(subset=['AVALC'])
d_trop['AVALC'] = d_trop['AVALC'].astype(float)
# d_trop['AVALC2'] = d_trop['AVALC'].astype(float)
# d_trop = d_trop.groupby(['USUBJID']).agg({'AVALC' : 'first', 'AVALC2' : 'last'}).reset_index(0)
d_trop['AVALC2'] = d_trop.groupby(['USUBJID'])['AVALC'].transform(lambda x: x.shift(-1))
d_trop['AVALCF'] = d_trop.groupby(['USUBJID'])['AVALC'].transform('last')
d_trop['AVALC2'] = np.where(d_trop['AVALC2'].isnull(), d_trop['AVALC'], d_trop['AVALC2'])
d_trop['D_TROP'] = (d_trop['AVALC2'] - d_trop['AVALC']) / d_trop['AVALC']
d_trop['D_TROP_ACC'] = (d_trop['AVALCF'] - d_trop['AVALC']) / d_trop['AVALC']
d_trop = d_trop.groupby(['USUBJID', 'VISIT'])[['D_TROP', 'D_TROP_ACC']].agg('mean')
d_trop.head(5)

d_bnp = adxb[adxb.PARAMCD == 'NT_P_BNP'].drop_duplicates(subset=['USUBJID', 'VISIT'])
d_bnp['AVALC'] = d_bnp['AVALC'].replace('.', np.nan)
d_bnp = d_bnp.dropna(subset=['AVALC'])
d_bnp['AVALC'] = d_bnp['AVALC'].astype(float)
# d_bnp['AVALC2'] = d_bnp['AVALC'].astype(float)
# d_bnp = d_bnp.groupby(['USUBJID']).agg({'AVALC' : 'first', 'AVALC2' : 'last'}).reset_index(0)
d_bnp['AVALC2'] = d_bnp.groupby(['USUBJID'])['AVALC'].transform(lambda x: x.shift(-1))
d_bnp['AVALCF'] = d_bnp.groupby(['USUBJID'])['AVALC'].transform('last')
d_bnp['AVALC2'] = np.where(d_bnp['AVALC2'].isnull(), d_bnp['AVALC'], d_bnp['AVALC2'])
d_bnp['D_BNP'] = (d_bnp['AVALC2'] - d_bnp['AVALC']) / d_bnp['AVALC']
d_bnp['D_BNP_ACC'] = (d_bnp['AVALCF'] - d_bnp['AVALC']) / d_bnp['AVALC']
d_bnp = d_bnp.groupby(['USUBJID', 'VISIT'])[['D_BNP', 'D_BNP_ACC']].agg('mean')
d_bnp.head(5)
Out[23]:
D_BNP D_BNP_ACC
USUBJID VISIT
100027 DAY 0 0.074906 0.014981
DAY 28 -0.399826 -0.055749
PREMATURE DISCONTINUATION VISIT 0.573295 0.573295
SAFETY FOLLOW UP VISIT 0.000000 0.000000
100080 DAY 0 0.001656 -0.353550
In [24]:
avivo_p = load_table('avivo', '2019')[[
    'usubjid', 'start', 'end', 'visit_name', 'sub_category', 'category_details', 
    'num_result', 'character_result'
]]
avivo_r = load_table('avivo', '2020')[[
    'usubjid', 'start', 'end', 'visit_name', 'sub_category', 'category_details', 
    'num_result', 'character_result'
]]
avivo = pd.concat([avivo_p, avivo_r], axis=0)

avivo = avivo.rename(columns={'usubjid': 'USUBJID', 'visit_name': 'VISIT'})
avivo['VISIT'] = avivo['VISIT'].replace('DAY0', 'DAY 0').replace('DAY56', 'DAY 56')

d_fluid = avivo[(avivo.category_details == 'SUMMARY (MEAN) FLUID STATUS') & (avivo.VISIT != 'RUN IN')].drop_duplicates(subset=['USUBJID', 'VISIT'])
d_fluid = d_fluid.sort_values(['USUBJID', 'start'], ascending = (True, True))
d_fluid = d_fluid.groupby(['USUBJID', 'VISIT']).agg('mean').reset_index(0)
d_fluid['AVALC'] = d_fluid['num_result']#.astype(float)
# d_fluid['AVALC2'] = d_fluid['num_result']#.astype(float)
# d_fluid = d_fluid.groupby(['USUBJID']).agg({'AVALC' : 'first', 'AVALC2' : 'last'}).reset_index(0)
d_fluid['AVALC2'] = d_fluid.groupby(['USUBJID'])['AVALC'].transform(lambda x: x.shift(-1))
d_fluid['AVALCF'] = d_fluid.groupby(['USUBJID'])['AVALC'].transform('last')
d_fluid['AVALC2'] = np.where(d_fluid['AVALC2'].isnull(), d_fluid['AVALC'], d_fluid['AVALC2'])
d_fluid['D_FLUID'] = (d_fluid['AVALC2'] - d_fluid['AVALC']) / d_fluid['AVALC']
d_fluid['D_FLUID_ACC'] = (d_fluid['AVALCF'] - d_fluid['AVALC']) / d_fluid['AVALC']
d_fluid = d_fluid.groupby(['USUBJID', 'VISIT'])[['D_FLUID', 'D_FLUID_ACC']].agg('mean')
d_fluid.head(5)
Out[24]:
D_FLUID D_FLUID_ACC
USUBJID VISIT
100027 DAY 0 0.000000 0.000000
100080 DAY 0 0.206252 0.124119
DAY 56 -0.068089 -0.068089
END OF TREATMENT 0.000000 0.000000
100089 DAY 0 0.131715 -0.039622

Merging

In [25]:
merged_df = adqskccq_pivoted.merge(adqsnyha_pivoted, on=['USUBJID', 'VISIT'], how='outer')
merged_df = merged_df.merge(adsu_pivoted, on=['USUBJID', 'VISIT'], how='outer')
merged_df = merged_df.merge(advs_pivoted, on=['USUBJID', 'VISIT'], how='outer')
merged_df = merged_df.merge(adxb_pivoted, on=['USUBJID', 'VISIT'], how='outer')
merged_df = merged_df.merge(adxl_pivoted, on=['USUBJID', 'VISIT'], how='outer')
merged_df = merged_df.merge(avivo_pivoted, on=['USUBJID', 'VISIT'], how='outer')
merged_df = merged_df.merge(d_adqskccq, on=['USUBJID', 'VISIT'], how='outer')
merged_df = merged_df.merge(d_6mwd, on=['USUBJID', 'VISIT'], how='outer')
merged_df = merged_df.merge(d_trop, on=['USUBJID', 'VISIT'], how='outer')
merged_df = merged_df.merge(d_bnp, on=['USUBJID', 'VISIT'], how='outer')
merged_df = merged_df.merge(d_fluid, on=['USUBJID', 'VISIT'], how='outer')

merged_df2 = static.groupby(['USUBJID']).agg('mean').merge(admh_pivoted.groupby(['USUBJID']).agg('mean'), on=['USUBJID'])

merged_df = merged_df.join(merged_df2, how='outer')

merged_df.head(5)
Out[25]:
Overall Summary Score NYHA Functional Class ALCOHOL_CONSUMPTION CONTAINING_METHLYXANTHINE TOBACCO BODY_MASS_INDEX DIASTOLIC_BLOOD_PRESSURE HEART_RATE SYSTOLIC_BLOOD_PRESSURE XB_FFA XB_HBA1C XB_NGAL XB_NT_P_BNP XB_TROPTHS XB_UALBUM XL_CARDIAC_INDEX XL_DISTANCE_COVERED_AFTER_6_MINUTES XL_GLOBAL_LONGITUDINAL_SYSTOLIC_STRAIN XL_LEFT_VENTRICULAR_MASS_INDEX A_AF_EPISODE_COUNT A_HEART_RATE_VARIABILITY A_PAUSE_COUNT A_SUMMARY_(MEAN)_ACTIVITY_INTENSITY A_SUMMARY_(MEAN)_FLUID_STATUS A_SUMMARY_(MEAN)_HEART_RATE A_SUMMARY_(MEAN)_RESPIRATION_RATE D_KCCQ D_KCCQ_ACC D_6MWD D_6MWD_ACC D_TROP D_TROP_ACC D_BNP D_BNP_ACC D_FLUID D_FLUID_ACC AGE GENDER RACE_W TRIAL_DRUG RACE_A HYPERTEN DIABETEN CAFFDRKN BETABLKN BASEGFRN PMH_BLOOD_AND_LYMPHATIC_SYSTEM_DISORDERS PMH_CARDIAC_ARRHYTHMIAS PMH_CARDIAC_VALVE_DISORDERS PMH_CORONARY_ARTERY_DISORDERS PMH_ENDOCRINE_DISORDERS PMH_GASTROINTESTINAL_DISORDERS PMH_HEART_FAILURES PMH_HEPATOBILIARY_DISORDERS PMH_IMMUNE_SYSTEM_DISORDERS PMH_METABOLISM_AND_NUTRITION_DISORDERS PMH_MUSCULOSKELETAL_AND_CONNECTIVE_TISSUE_DISORDERS PMH_MYOCARDIAL_DISORDERS PMH_NEOPLASMS_BENIGN,_MALIGNANT_AND_UNSPECIFIED_(INCL_CYSTS_AND_POLYPS) PMH_NERVOUS_SYSTEM_DISORDERS PMH_PERICARDIAL_DISORDERS PMH_PSYCHIATRIC_DISORDERS PMH_RENAL_AND_URINARY_DISORDERS PMH_REPRODUCTIVE_SYSTEM_AND_BREAST_DISORDERS PMH_RESPIRATORY,_THORACIC_AND_MEDIASTINAL_DISORDERS PMH_VASCULAR_DISORDERS
USUBJID VISIT
100027 DAY 0 24.479167 2.0 1.0 1.0 1.0 31.2 68.0 77.0 121.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 17.0 87.500 NaN 1.42125 59.7575 88.724960 10.41125 0.829787 1.712766 NaN NaN -0.075693 0.244875 0.074906 0.014981 0.000000 0.000000 44.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 2.0 1.0 0.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 1.0 2.0
DAY 28 44.791667 2.0 NaN NaN NaN NaN 100.0 79.0 130.0 0.3 10.4 9.324 1148.0 0.04103 92.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.482558 0.482558 NaN NaN 0.346819 0.346819 -0.399826 -0.055749 NaN NaN 44.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 2.0 1.0 0.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 1.0 2.0
PREMATURE DISCONTINUATION VISIT 66.406250 3.0 NaN 1.0 NaN NaN 56.0 65.0 87.0 0.8 10.2 27.418 689.0 0.05526 78.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.000000 0.000000 NaN NaN 0.000000 0.000000 0.573295 0.573295 NaN NaN 44.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 2.0 1.0 0.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 1.0 2.0
100080 DAY 0 56.250000 2.0 0.0 1.0 1.0 29.6 60.0 95.0 105.0 NaN NaN NaN NaN NaN NaN NaN NaN -3.9 104.77 71.0 57.375 NaN 2.90250 71.1775 102.697641 9.38000 0.157407 0.212963 NaN NaN -0.618786 -0.611616 0.001656 -0.353550 0.206252 0.124119 68.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
DAY 28 65.104167 2.0 NaN NaN NaN NaN 65.0 80.0 109.0 0.6 5.8 4.151 4839.0 0.01595 9.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.064000 0.048000 NaN NaN 0.018809 0.018809 -0.430254 -0.354619 NaN NaN 68.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
In [26]:
merged_df.query('USUBJID == 200027')
Out[26]:
Overall Summary Score NYHA Functional Class ALCOHOL_CONSUMPTION CONTAINING_METHLYXANTHINE TOBACCO BODY_MASS_INDEX DIASTOLIC_BLOOD_PRESSURE HEART_RATE SYSTOLIC_BLOOD_PRESSURE XB_FFA XB_HBA1C XB_NGAL XB_NT_P_BNP XB_TROPTHS XB_UALBUM XL_CARDIAC_INDEX XL_DISTANCE_COVERED_AFTER_6_MINUTES XL_GLOBAL_LONGITUDINAL_SYSTOLIC_STRAIN XL_LEFT_VENTRICULAR_MASS_INDEX A_AF_EPISODE_COUNT A_HEART_RATE_VARIABILITY A_PAUSE_COUNT A_SUMMARY_(MEAN)_ACTIVITY_INTENSITY A_SUMMARY_(MEAN)_FLUID_STATUS A_SUMMARY_(MEAN)_HEART_RATE A_SUMMARY_(MEAN)_RESPIRATION_RATE D_KCCQ D_KCCQ_ACC D_6MWD D_6MWD_ACC D_TROP D_TROP_ACC D_BNP D_BNP_ACC D_FLUID D_FLUID_ACC AGE GENDER RACE_W TRIAL_DRUG RACE_A HYPERTEN DIABETEN CAFFDRKN BETABLKN BASEGFRN PMH_BLOOD_AND_LYMPHATIC_SYSTEM_DISORDERS PMH_CARDIAC_ARRHYTHMIAS PMH_CARDIAC_VALVE_DISORDERS PMH_CORONARY_ARTERY_DISORDERS PMH_ENDOCRINE_DISORDERS PMH_GASTROINTESTINAL_DISORDERS PMH_HEART_FAILURES PMH_HEPATOBILIARY_DISORDERS PMH_IMMUNE_SYSTEM_DISORDERS PMH_METABOLISM_AND_NUTRITION_DISORDERS PMH_MUSCULOSKELETAL_AND_CONNECTIVE_TISSUE_DISORDERS PMH_MYOCARDIAL_DISORDERS PMH_NEOPLASMS_BENIGN,_MALIGNANT_AND_UNSPECIFIED_(INCL_CYSTS_AND_POLYPS) PMH_NERVOUS_SYSTEM_DISORDERS PMH_PERICARDIAL_DISORDERS PMH_PSYCHIATRIC_DISORDERS PMH_RENAL_AND_URINARY_DISORDERS PMH_REPRODUCTIVE_SYSTEM_AND_BREAST_DISORDERS PMH_RESPIRATORY,_THORACIC_AND_MEDIASTINAL_DISORDERS PMH_VASCULAR_DISORDERS
USUBJID VISIT
200027 DAY 0 66.406250 2.0 1.0 1.0 0.0 22.1 80.0 73.0 138.0 0.9 5.9 6.821 516.0 0.00650 12.0 1.58 265.8 -11.833333 NaN 0.0 99.222222 NaN 3.510625 64.394444 64.682693 11.837778 0.207843 -0.513725 0.131678 0.131678 0.000000 3.216923 -0.434109 0.476744 0.343750 0.593750 77.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 2.0 0.0 1.0 0.0 3.0 1.0 4.0 1.0 0.0 0.0 3.0 0.0 0.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 1.0
DAY 28 80.208333 2.0 NaN NaN NaN NaN 90.0 63.0 150.0 0.5 6.1 30.357 292.0 0.00650 21.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.386364 -0.597403 NaN NaN 3.216923 3.216923 0.976027 1.609589 NaN NaN 77.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 2.0 0.0 1.0 0.0 3.0 1.0 4.0 1.0 0.0 0.0 3.0 0.0 0.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 1.0
DAY 84 49.218750 2.0 NaN NaN NaN NaN 78.0 60.0 148.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.343915 -0.343915 NaN NaN NaN NaN NaN NaN NaN NaN 77.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 2.0 0.0 1.0 0.0 3.0 1.0 4.0 1.0 0.0 0.0 3.0 0.0 0.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 1.0
END OF TREATMENT 32.291667 2.0 NaN 1.0 NaN NaN 58.0 64.0 110.0 0.5 6.7 640.000 577.0 0.02741 455.0 NaN NaN -16.900000 77.24 0.0 65.875000 NaN 0.967500 91.142500 64.360624 11.158889 0.000000 0.000000 NaN NaN 0.000000 0.000000 0.320624 0.320624 0.000000 0.000000 77.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 2.0 0.0 1.0 0.0 3.0 1.0 4.0 1.0 0.0 0.0 3.0 0.0 0.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 1.0
DAY 56 NaN 2.0 NaN NaN NaN NaN 80.0 85.0 138.0 NaN NaN NaN NaN NaN NaN NaN 300.8 NaN NaN 1.0 125.500000 NaN 1.106429 91.800000 65.442978 12.596250 NaN NaN 0.000000 0.000000 NaN NaN NaN NaN 0.186047 0.186047 77.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 2.0 0.0 1.0 0.0 3.0 1.0 4.0 1.0 0.0 0.0 3.0 0.0 0.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 1.0
SAFETY FOLLOW UP VISIT NaN 2.0 NaN NaN NaN NaN 62.0 61.0 108.0 NaN NaN NaN 762.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.000000 0.000000 NaN NaN 77.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 2.0 0.0 1.0 0.0 3.0 1.0 4.0 1.0 0.0 0.0 3.0 0.0 0.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 1.0
SCREENING NaN NaN NaN NaN NaN NaN 98.0 84.0 150.0 NaN NaN NaN NaN NaN NaN NaN 272.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.022794 0.105882 NaN NaN NaN NaN NaN NaN 77.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 2.0 0.0 1.0 0.0 3.0 1.0 4.0 1.0 0.0 0.0 3.0 0.0 0.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 1.0
RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 98.750000 NaN 2.245625 73.691875 76.388788 11.235000 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 77.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 2.0 0.0 1.0 0.0 3.0 1.0 4.0 1.0 0.0 0.0 3.0 0.0 0.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 1.0
In [27]:
# from sklearn.preprocessing import StandardScaler

# scaler = StandardScaler()
# merged_df = pd.DataFrame(scaler.fit_transform(merged_df).round(3), columns=merged_df.columns, index=merged_df.index)
# merged_df
In [28]:
merged_df.columns
Out[28]:
Index(['Overall Summary Score', 'NYHA Functional Class', 'ALCOHOL_CONSUMPTION',
       'CONTAINING_METHLYXANTHINE', 'TOBACCO', 'BODY_MASS_INDEX',
       'DIASTOLIC_BLOOD_PRESSURE', 'HEART_RATE', 'SYSTOLIC_BLOOD_PRESSURE',
       'XB_FFA', 'XB_HBA1C', 'XB_NGAL', 'XB_NT_P_BNP', 'XB_TROPTHS',
       'XB_UALBUM', 'XL_CARDIAC_INDEX', 'XL_DISTANCE_COVERED_AFTER_6_MINUTES',
       'XL_GLOBAL_LONGITUDINAL_SYSTOLIC_STRAIN',
       'XL_LEFT_VENTRICULAR_MASS_INDEX', 'A_AF_EPISODE_COUNT',
       'A_HEART_RATE_VARIABILITY', 'A_PAUSE_COUNT',
       'A_SUMMARY_(MEAN)_ACTIVITY_INTENSITY', 'A_SUMMARY_(MEAN)_FLUID_STATUS',
       'A_SUMMARY_(MEAN)_HEART_RATE', 'A_SUMMARY_(MEAN)_RESPIRATION_RATE',
       'D_KCCQ', 'D_KCCQ_ACC', 'D_6MWD', 'D_6MWD_ACC', 'D_TROP', 'D_TROP_ACC',
       'D_BNP', 'D_BNP_ACC', 'D_FLUID', 'D_FLUID_ACC', 'AGE', 'GENDER',
       'RACE_W', 'TRIAL_DRUG', 'RACE_A', 'HYPERTEN', 'DIABETEN', 'CAFFDRKN',
       'BETABLKN', 'BASEGFRN', 'PMH_BLOOD_AND_LYMPHATIC_SYSTEM_DISORDERS',
       'PMH_CARDIAC_ARRHYTHMIAS', 'PMH_CARDIAC_VALVE_DISORDERS',
       'PMH_CORONARY_ARTERY_DISORDERS', 'PMH_ENDOCRINE_DISORDERS',
       'PMH_GASTROINTESTINAL_DISORDERS', 'PMH_HEART_FAILURES',
       'PMH_HEPATOBILIARY_DISORDERS', 'PMH_IMMUNE_SYSTEM_DISORDERS',
       'PMH_METABOLISM_AND_NUTRITION_DISORDERS',
       'PMH_MUSCULOSKELETAL_AND_CONNECTIVE_TISSUE_DISORDERS',
       'PMH_MYOCARDIAL_DISORDERS',
       'PMH_NEOPLASMS_BENIGN,_MALIGNANT_AND_UNSPECIFIED_(INCL_CYSTS_AND_POLYPS)',
       'PMH_NERVOUS_SYSTEM_DISORDERS', 'PMH_PERICARDIAL_DISORDERS',
       'PMH_PSYCHIATRIC_DISORDERS', 'PMH_RENAL_AND_URINARY_DISORDERS',
       'PMH_REPRODUCTIVE_SYSTEM_AND_BREAST_DISORDERS',
       'PMH_RESPIRATORY,_THORACIC_AND_MEDIASTINAL_DISORDERS',
       'PMH_VASCULAR_DISORDERS'],
      dtype='object')
In [29]:
merged_df.describe()
Out[29]:
Overall Summary Score NYHA Functional Class ALCOHOL_CONSUMPTION CONTAINING_METHLYXANTHINE TOBACCO BODY_MASS_INDEX DIASTOLIC_BLOOD_PRESSURE HEART_RATE SYSTOLIC_BLOOD_PRESSURE XB_FFA XB_HBA1C XB_NGAL XB_NT_P_BNP XB_TROPTHS XB_UALBUM XL_CARDIAC_INDEX XL_DISTANCE_COVERED_AFTER_6_MINUTES XL_GLOBAL_LONGITUDINAL_SYSTOLIC_STRAIN XL_LEFT_VENTRICULAR_MASS_INDEX A_AF_EPISODE_COUNT A_HEART_RATE_VARIABILITY A_PAUSE_COUNT A_SUMMARY_(MEAN)_ACTIVITY_INTENSITY A_SUMMARY_(MEAN)_FLUID_STATUS A_SUMMARY_(MEAN)_HEART_RATE A_SUMMARY_(MEAN)_RESPIRATION_RATE D_KCCQ D_KCCQ_ACC D_6MWD D_6MWD_ACC D_TROP D_TROP_ACC D_BNP D_BNP_ACC D_FLUID D_FLUID_ACC AGE GENDER RACE_W TRIAL_DRUG RACE_A HYPERTEN DIABETEN CAFFDRKN BETABLKN BASEGFRN PMH_BLOOD_AND_LYMPHATIC_SYSTEM_DISORDERS PMH_CARDIAC_ARRHYTHMIAS PMH_CARDIAC_VALVE_DISORDERS PMH_CORONARY_ARTERY_DISORDERS PMH_ENDOCRINE_DISORDERS PMH_GASTROINTESTINAL_DISORDERS PMH_HEART_FAILURES PMH_HEPATOBILIARY_DISORDERS PMH_IMMUNE_SYSTEM_DISORDERS PMH_METABOLISM_AND_NUTRITION_DISORDERS PMH_MUSCULOSKELETAL_AND_CONNECTIVE_TISSUE_DISORDERS PMH_MYOCARDIAL_DISORDERS PMH_NEOPLASMS_BENIGN,_MALIGNANT_AND_UNSPECIFIED_(INCL_CYSTS_AND_POLYPS) PMH_NERVOUS_SYSTEM_DISORDERS PMH_PERICARDIAL_DISORDERS PMH_PSYCHIATRIC_DISORDERS PMH_RENAL_AND_URINARY_DISORDERS PMH_REPRODUCTIVE_SYSTEM_AND_BREAST_DISORDERS PMH_RESPIRATORY,_THORACIC_AND_MEDIASTINAL_DISORDERS PMH_VASCULAR_DISORDERS
count 2782.000000 4238.000000 729.000000 1425.000000 729.000000 729.000000 5018.000000 5016.000000 5018.000000 1628.000000 1649.000000 1616.000000 2259.000000 1602.000000 1653.000000 682.000000 1166.000000 1174.000000 1204.000000 2584.000000 2582.000000 280.000000 2581.000000 2574.000000 2584.000000 2582.000000 2782.000000 2782.000000 1166.000000 1166.000000 2037.000000 2037.000000 2713.000000 2713.000000 1849.000000 1849.000000 5724.000000 5724.000000 5724.000000 5724.000000 5724.000000 5724.000000 5724.000000 5724.000000 5724.000000 5638.000000 5724.000000 5724.000000 5724.000000 5724.000000 5724.000000 5724.000000 5724.000000 5724.000000 5724.00000 5724.000000 5724.000000 5724.000000 5724.000000 5724.000000 5724.000000 5724.000000 5724.000000 5724.000000 5724.000000 5724.000000
mean 68.409542 2.206937 0.434842 0.837193 0.552812 28.528944 72.265444 70.113636 123.244719 0.449939 6.310734 35.517514 2275.431386 0.028370 79.786449 888.241994 325.728039 -11.863998 104.699286 13.986455 99.217541 3.654273 2.597260 62.358351 66.698085 11.847581 0.037351 0.040658 0.031886 0.051633 0.168292 0.114938 0.131318 0.185497 0.033277 0.040924 69.914396 0.686233 0.897100 0.754368 0.080363 0.716282 0.405136 0.849231 0.874913 1.448209 0.153739 1.280049 0.243885 0.735500 0.167540 0.352900 1.043676 0.086129 0.05905 1.820405 0.309574 0.149022 0.132949 0.293152 0.015723 0.191649 1.419811 0.133648 0.415094 0.980783
std 20.580327 0.518143 0.496077 0.369319 0.497544 5.177405 10.744208 11.620411 16.777819 0.294019 1.074591 86.139646 3579.118995 0.076902 250.649096 855.306728 100.767654 4.805348 33.771691 28.564904 41.497287 6.771924 1.031834 20.113949 12.888099 2.301142 0.313832 0.385550 0.249434 0.296054 2.628485 0.480759 1.452257 1.887084 0.180555 0.222746 9.909445 0.464063 0.303855 0.430499 0.271879 0.450841 0.490961 0.357855 0.330847 0.497355 0.407579 0.566106 0.649404 0.894344 0.391311 0.741324 0.211119 0.334027 0.27156 1.040956 0.660066 0.388072 0.390751 0.597346 0.136470 0.441346 0.595016 0.371715 0.711079 0.699952
min 3.125000 1.000000 0.000000 0.000000 0.000000 14.100000 23.000000 40.000000 72.000000 0.050000 1.800000 0.559000 25.500000 0.006500 1.500000 0.540000 67.000000 -29.200000 35.840000 0.000000 0.000000 1.000000 0.145000 15.295556 -1.000000 4.765000 -0.921875 -0.907850 -0.722667 -0.625000 -0.982300 -0.982300 -0.987452 -0.987452 -0.585366 -0.623610 31.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 1.000000 0.000000 1.000000 0.000000 0.000000 0.000000 0.000000 1.000000 0.000000 0.00000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 1.000000 0.000000 0.000000 0.000000
25% 54.687500 2.000000 0.000000 1.000000 0.000000 24.900000 65.000000 62.000000 110.000000 0.200000 5.700000 5.725250 565.000000 0.006500 6.000000 1.812500 255.000000 -15.325000 81.112500 0.000000 72.229167 1.000000 1.875625 48.153906 59.751063 10.367500 -0.042058 -0.052582 -0.023529 -0.027409 0.000000 0.000000 -0.140612 -0.182164 -0.000913 -0.013514 64.000000 0.000000 1.000000 1.000000 0.000000 0.000000 0.000000 1.000000 1.000000 1.000000 0.000000 1.000000 0.000000 0.000000 0.000000 0.000000 1.000000 0.000000 0.00000 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 1.000000 0.000000 0.000000 1.000000
50% 69.791667 2.000000 0.000000 1.000000 1.000000 28.300000 72.000000 69.000000 122.000000 0.400000 6.000000 11.738000 1268.000000 0.020700 15.000000 981.910000 330.785000 -11.300000 98.965000 0.000000 94.750000 1.500000 2.437500 60.635625 66.248621 11.514375 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 71.000000 1.000000 1.000000 1.000000 0.000000 1.000000 0.000000 1.000000 1.000000 1.000000 0.000000 1.000000 0.000000 0.000000 0.000000 0.000000 1.000000 0.000000 0.00000 2.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 1.000000 0.000000 0.000000 1.000000
75% 85.677083 2.000000 1.000000 1.000000 1.000000 31.800000 80.000000 77.000000 135.000000 0.600000 6.700000 27.084250 2664.000000 0.032170 51.000000 1505.017500 400.000000 -7.933333 124.800000 8.000000 121.822917 3.187500 3.231250 75.303125 73.463571 13.075156 0.072561 0.076836 0.054204 0.071429 0.044222 0.072435 0.157895 0.170616 0.072727 0.074589 77.000000 1.000000 1.000000 1.000000 0.000000 1.000000 1.000000 1.000000 1.000000 2.000000 0.000000 1.000000 0.000000 1.000000 0.000000 0.000000 1.000000 0.000000 0.00000 2.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 2.000000 0.000000 1.000000 1.000000
max 100.000000 4.000000 1.000000 1.000000 1.000000 44.800000 129.000000 163.000000 195.000000 2.400000 13.100000 640.000000 49896.000000 2.342000 3120.000000 3588.320000 665.000000 -1.400000 343.350000 195.000000 292.285714 57.800000 7.620000 138.815000 136.146323 28.995000 9.150000 11.250000 3.850746 4.000000 103.928315 6.177419 62.701493 62.701493 2.043139 3.187111 93.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 1.000000 2.000000 4.000000 5.000000 4.000000 6.000000 2.000000 5.000000 3.000000 3.000000 3.00000 6.000000 5.000000 2.000000 3.000000 5.000000 2.000000 3.000000 5.000000 2.000000 4.000000 5.000000
In [30]:
del merged_df['DIASTOLIC_BLOOD_PRESSURE']
del merged_df['XL_DISTANCE_COVERED_AFTER_6_MINUTES']
del merged_df['A_SUMMARY_(MEAN)_FLUID_STATUS']
del merged_df['D_6MWD']
del merged_df['D_6MWD_ACC']
del merged_df['D_TROP']
del merged_df['D_TROP_ACC']
In [32]:
merged_df.columns[23:29]
Out[32]:
Index(['D_KCCQ', 'D_KCCQ_ACC', 'D_BNP', 'D_BNP_ACC', 'D_FLUID', 'D_FLUID_ACC'], dtype='object')
In [35]:
import seaborn as sns
# from sklearn.preprocessing import MinMaxScaler
# outvar = merged_df.iloc[:,79:]
# scaler = MinMaxScaler(feature_range=(0,1))
# outvar = pd.DataFrame(scaler.fit_transform(outvar).round(3))

Var_Corr = merged_df.iloc[:,23:29].corr() #26:36
# plot the heatmap and annotation on it
sns.heatmap(Var_Corr, xticklabels=Var_Corr.columns, yticklabels=Var_Corr.columns, annot=True)
Out[35]:
<matplotlib.axes._subplots.AxesSubplot at 0x7fcaddd80be0>
In [36]:
merged_df.isnull().sum(axis=0)
Out[36]:
Overall Summary Score                                                      3002
NYHA Functional Class                                                      1546
ALCOHOL_CONSUMPTION                                                        5055
CONTAINING_METHLYXANTHINE                                                  4359
TOBACCO                                                                    5055
BODY_MASS_INDEX                                                            5055
HEART_RATE                                                                  768
SYSTOLIC_BLOOD_PRESSURE                                                     766
XB_FFA                                                                     4156
XB_HBA1C                                                                   4135
XB_NGAL                                                                    4168
XB_NT_P_BNP                                                                3525
XB_TROPTHS                                                                 4182
XB_UALBUM                                                                  4131
XL_CARDIAC_INDEX                                                           5102
XL_GLOBAL_LONGITUDINAL_SYSTOLIC_STRAIN                                     4610
XL_LEFT_VENTRICULAR_MASS_INDEX                                             4580
A_AF_EPISODE_COUNT                                                         3200
A_HEART_RATE_VARIABILITY                                                   3202
A_PAUSE_COUNT                                                              5504
A_SUMMARY_(MEAN)_ACTIVITY_INTENSITY                                        3203
A_SUMMARY_(MEAN)_HEART_RATE                                                3200
A_SUMMARY_(MEAN)_RESPIRATION_RATE                                          3202
D_KCCQ                                                                     3002
D_KCCQ_ACC                                                                 3002
D_BNP                                                                      3071
D_BNP_ACC                                                                  3071
D_FLUID                                                                    3935
D_FLUID_ACC                                                                3935
AGE                                                                          60
GENDER                                                                       60
RACE_W                                                                       60
TRIAL_DRUG                                                                   60
RACE_A                                                                       60
HYPERTEN                                                                     60
DIABETEN                                                                     60
CAFFDRKN                                                                     60
BETABLKN                                                                     60
BASEGFRN                                                                    146
PMH_BLOOD_AND_LYMPHATIC_SYSTEM_DISORDERS                                     60
PMH_CARDIAC_ARRHYTHMIAS                                                      60
PMH_CARDIAC_VALVE_DISORDERS                                                  60
PMH_CORONARY_ARTERY_DISORDERS                                                60
PMH_ENDOCRINE_DISORDERS                                                      60
PMH_GASTROINTESTINAL_DISORDERS                                               60
PMH_HEART_FAILURES                                                           60
PMH_HEPATOBILIARY_DISORDERS                                                  60
PMH_IMMUNE_SYSTEM_DISORDERS                                                  60
PMH_METABOLISM_AND_NUTRITION_DISORDERS                                       60
PMH_MUSCULOSKELETAL_AND_CONNECTIVE_TISSUE_DISORDERS                          60
PMH_MYOCARDIAL_DISORDERS                                                     60
PMH_NEOPLASMS_BENIGN,_MALIGNANT_AND_UNSPECIFIED_(INCL_CYSTS_AND_POLYPS)      60
PMH_NERVOUS_SYSTEM_DISORDERS                                                 60
PMH_PERICARDIAL_DISORDERS                                                    60
PMH_PSYCHIATRIC_DISORDERS                                                    60
PMH_RENAL_AND_URINARY_DISORDERS                                              60
PMH_REPRODUCTIVE_SYSTEM_AND_BREAST_DISORDERS                                 60
PMH_RESPIRATORY,_THORACIC_AND_MEDIASTINAL_DISORDERS                          60
PMH_VASCULAR_DISORDERS                                                       60
dtype: int64
In [37]:
test_df = merged_df.groupby(['USUBJID']).apply(lambda x: x.interpolate(method='linear')).bfill().ffill()
In [44]:
merged_df
Out[44]:
Overall Summary Score NYHA Functional Class ALCOHOL_CONSUMPTION CONTAINING_METHLYXANTHINE TOBACCO BODY_MASS_INDEX SYSTOLIC_BLOOD_PRESSURE XB_FFA XB_HBA1C XB_NGAL XB_NT_P_BNP XB_TROPTHS XB_UALBUM XL_CARDIAC_INDEX XL_GLOBAL_LONGITUDINAL_SYSTOLIC_STRAIN XL_LEFT_VENTRICULAR_MASS_INDEX A_AF_EPISODE_COUNT A_HEART_RATE_VARIABILITY A_PAUSE_COUNT A_SUMMARY_(MEAN)_ACTIVITY_INTENSITY A_SUMMARY_(MEAN)_HEART_RATE A_SUMMARY_(MEAN)_RESPIRATION_RATE D_KCCQ D_KCCQ_ACC D_BNP D_BNP_ACC D_FLUID D_FLUID_ACC AGE GENDER RACE_W TRIAL_DRUG RACE_A HYPERTEN DIABETEN CAFFDRKN BETABLKN BASEGFRN PMH_BLOOD_AND_LYMPHATIC_SYSTEM_DISORDERS PMH_CARDIAC_ARRHYTHMIAS PMH_CARDIAC_VALVE_DISORDERS PMH_CORONARY_ARTERY_DISORDERS PMH_ENDOCRINE_DISORDERS PMH_GASTROINTESTINAL_DISORDERS PMH_HEART_FAILURES PMH_HEPATOBILIARY_DISORDERS PMH_IMMUNE_SYSTEM_DISORDERS PMH_METABOLISM_AND_NUTRITION_DISORDERS PMH_MUSCULOSKELETAL_AND_CONNECTIVE_TISSUE_DISORDERS PMH_MYOCARDIAL_DISORDERS PMH_NEOPLASMS_BENIGN,_MALIGNANT_AND_UNSPECIFIED_(INCL_CYSTS_AND_POLYPS) PMH_NERVOUS_SYSTEM_DISORDERS PMH_PERICARDIAL_DISORDERS PMH_PSYCHIATRIC_DISORDERS PMH_RENAL_AND_URINARY_DISORDERS PMH_REPRODUCTIVE_SYSTEM_AND_BREAST_DISORDERS PMH_RESPIRATORY,_THORACIC_AND_MEDIASTINAL_DISORDERS PMH_VASCULAR_DISORDERS
USUBJID VISIT
100027 DAY 0 24.479167 2.0 1.0 1.0 1.0 31.2 121.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN 17.0 87.500000 NaN 1.421250 88.724960 10.411250 0.829787 1.712766 0.074906 0.014981 0.000000 0.000000 44.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 2.0 1.0 0.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 1.0 2.0
DAY 28 44.791667 2.0 NaN NaN NaN NaN 130.0 0.30 10.4 9.324 1148.0 0.04103 92.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.482558 0.482558 -0.399826 -0.055749 NaN NaN 44.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 2.0 1.0 0.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 1.0 2.0
PREMATURE DISCONTINUATION VISIT 66.406250 3.0 NaN 1.0 NaN NaN 87.0 0.80 10.2 27.418 689.0 0.05526 78.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.000000 0.000000 0.573295 0.573295 NaN NaN 44.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 2.0 1.0 0.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 1.0 2.0
100080 DAY 0 56.250000 2.0 0.0 1.0 1.0 29.6 105.0 NaN NaN NaN NaN NaN NaN NaN -3.900000 104.77 71.0 57.375000 NaN 2.902500 102.697641 9.380000 0.157407 0.212963 0.001656 -0.353550 0.206252 0.124119 68.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
DAY 28 65.104167 2.0 NaN NaN NaN NaN 109.0 0.60 5.8 4.151 4839.0 0.01595 9.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.064000 0.048000 -0.430254 -0.354619 NaN NaN 68.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
DAY 84 69.270833 2.0 NaN NaN NaN NaN 107.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.015038 -0.015038 NaN NaN NaN NaN 68.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
END OF TREATMENT 68.229167 2.0 NaN 1.0 NaN NaN 127.0 0.40 5.7 28.201 2757.0 0.01625 17.0 2171.47 -9.233333 89.59 167.0 48.375000 NaN 3.153750 94.610313 9.990000 0.000000 0.000000 0.132753 0.132753 0.000000 0.000000 68.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
100089 DAY 0 72.656250 3.0 0.0 1.0 1.0 34.4 95.0 NaN NaN NaN NaN NaN NaN NaN -7.866667 174.73 6.0 63.500000 NaN 2.746250 85.712688 11.415000 -0.215054 0.039427 0.227757 -0.244627 0.131715 -0.039622 67.0 1.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 0.0 3.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 1.0 0.0 0.0 0.0 1.0 2.0 0.0 2.0 1.0
DAY 28 57.031250 3.0 NaN NaN NaN NaN 83.0 0.20 7.4 13.522 6113.0 0.02557 14.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.228311 0.324201 -0.385572 -0.384754 NaN NaN 67.0 1.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 0.0 3.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 1.0 0.0 0.0 0.0 1.0 2.0 0.0 2.0 1.0
DAY 84 70.052083 3.0 NaN NaN NaN NaN 85.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.078067 0.078067 NaN NaN NaN NaN 67.0 1.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 0.0 3.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 1.0 0.0 0.0 0.0 1.0 2.0 0.0 2.0 1.0
END OF TREATMENT 75.520833 3.0 NaN 1.0 NaN NaN 98.0 0.30 8.4 16.847 3756.0 0.03563 8.0 1506.57 -6.433333 138.25 0.0 41.625000 NaN 2.996250 66.807493 11.678750 0.000000 0.000000 0.001331 0.001331 0.000000 0.000000 67.0 1.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 0.0 3.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 1.0 0.0 0.0 0.0 1.0 2.0 0.0 2.0 1.0
100111 DAY 0 16.927083 2.0 1.0 1.0 1.0 27.5 122.0 NaN NaN NaN NaN NaN NaN NaN NaN 144.07 0.0 81.250000 NaN 2.330000 67.531056 10.902500 2.323077 4.107692 -0.132394 -0.213146 0.157351 0.071082 73.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0
DAY 28 56.250000 2.0 NaN NaN NaN NaN 100.0 0.20 5.9 11.211 1848.0 0.00650 9.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.425926 0.537037 -0.211039 -0.093074 NaN NaN 73.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0
DAY 84 80.208333 2.0 NaN NaN NaN NaN 100.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.077922 0.077922 NaN NaN NaN NaN 73.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0
END OF TREATMENT 86.458333 2.0 NaN 1.0 NaN NaN 130.0 0.90 5.5 12.130 1458.0 0.00650 20.0 1171.28 NaN 148.32 0.0 114.500000 NaN 2.363750 64.541428 11.176250 0.000000 0.000000 0.149520 0.149520 0.000000 0.000000 73.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0
100167 DAY 0 88.541667 3.0 1.0 1.0 1.0 28.3 150.0 NaN NaN NaN NaN NaN NaN NaN -10.200000 98.97 0.0 101.625000 NaN 1.870000 63.933604 13.496250 -0.047059 -0.029412 -0.584995 -0.906850 0.221698 0.260755 81.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 2.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
DAY 28 84.375000 2.0 NaN NaN NaN NaN 135.0 0.10 6.0 3.770 1145.0 0.01437 17.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.160494 0.018519 -0.489956 -0.775546 NaN NaN 81.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 2.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
DAY 84 97.916667 1.0 NaN NaN NaN NaN 160.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.122340 -0.122340 NaN NaN NaN NaN 81.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 2.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
END OF TREATMENT 85.937500 1.0 NaN 1.0 NaN NaN 140.0 0.30 6.0 18.837 584.0 0.01340 17.0 635.04 -9.900000 82.00 0.0 114.500000 NaN 1.916250 59.997832 11.757500 0.000000 0.000000 -0.559932 -0.559932 0.000000 0.000000 81.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 2.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
100177 DAY 0 55.729167 3.0 0.0 0.0 0.0 30.6 139.0 NaN NaN NaN NaN NaN NaN NaN -15.000000 65.04 0.0 15.500000 NaN 2.208750 65.564031 9.900000 0.327103 0.093458 -0.219586 -0.064614 0.089286 0.051587 81.0 0.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 3.0 2.0 1.0 0.0 2.0 0.0 0.0 2.0 0.0 0.0 2.0
DAY 28 73.958333 3.0 NaN NaN NaN NaN 135.0 1.00 8.7 129.830 1546.0 NaN 22.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.056338 -0.176056 0.665589 0.198577 NaN NaN 81.0 0.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 3.0 2.0 1.0 0.0 2.0 0.0 0.0 2.0 0.0 0.0 2.0
DAY 84 69.791667 3.0 NaN NaN NaN NaN 145.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.126866 -0.126866 NaN NaN NaN NaN 81.0 0.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 3.0 2.0 1.0 0.0 2.0 0.0 0.0 2.0 0.0 0.0 2.0
END OF TREATMENT 60.937500 3.0 NaN 0.0 NaN NaN 130.0 0.80 8.2 95.928 2575.0 NaN 48.0 NaN -13.400000 69.79 0.0 22.400000 NaN 2.528000 64.789912 6.096000 0.000000 0.000000 -0.280388 -0.280388 0.000000 0.000000 81.0 0.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 3.0 2.0 1.0 0.0 2.0 0.0 0.0 2.0 0.0 0.0 2.0
100197 DAY 0 60.677083 2.0 0.0 1.0 1.0 29.5 120.0 NaN NaN NaN NaN NaN NaN NaN -6.300000 141.69 64.0 57.555556 NaN 1.781250 68.986247 11.605556 0.257511 -0.042918 0.003189 -0.389077 0.000000 0.000000 68.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
DAY 28 76.302083 2.0 NaN NaN NaN NaN 121.0 0.05 5.5 NaN 5033.0 0.02541 47.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.238908 -0.238908 -0.391019 -0.391019 NaN NaN 68.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
PREMATURE DISCONTINUATION VISIT 58.072917 3.0 NaN 0.0 NaN NaN 140.0 1.40 5.2 29.198 3065.0 0.03456 53.0 NaN NaN 146.50 NaN NaN NaN NaN NaN NaN 0.000000 0.000000 0.000000 0.000000 NaN NaN 68.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
100209 DAY 0 65.104167 2.0 0.0 1.0 1.0 26.4 120.0 NaN NaN NaN NaN NaN NaN NaN -12.433333 85.66 NaN NaN NaN NaN NaN NaN 0.440000 0.396000 0.030172 -0.297414 NaN NaN 70.0 1.0 0.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
DAY 28 93.750000 2.0 NaN NaN NaN NaN 122.0 0.20 5.9 4.610 478.0 0.01609 13.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.033333 -0.030556 0.077406 -0.317992 NaN NaN 70.0 1.0 0.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
DAY 84 90.625000 2.0 NaN NaN NaN NaN 108.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.002874 0.002874 NaN NaN NaN NaN 70.0 1.0 0.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
END OF TREATMENT 90.885417 2.0 NaN 1.0 NaN NaN 123.0 0.20 6.2 9.332 515.0 0.01733 17.0 1564.65 -14.733333 103.36 NaN NaN NaN NaN NaN NaN 0.000000 0.000000 -0.366990 -0.366990 NaN NaN 70.0 1.0 0.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
100210 DAY 0 78.125000 2.0 0.0 1.0 1.0 30.7 133.0 NaN NaN NaN NaN NaN NaN NaN -3.600000 127.73 75.0 89.250000 NaN 1.973750 69.535266 10.977500 0.106667 0.023333 -0.009009 0.195571 0.045557 0.023343 69.0 1.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
DAY 28 86.458333 2.0 NaN NaN NaN NaN 120.0 0.30 8.9 15.022 2640.0 0.01760 5.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.078313 -0.075301 0.220076 0.206439 NaN NaN 69.0 1.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
DAY 84 79.687500 2.0 NaN NaN NaN NaN 109.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.003268 0.003268 NaN NaN NaN NaN 69.0 1.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
END OF TREATMENT 79.947917 2.0 NaN 1.0 NaN NaN 141.0 0.50 7.5 14.288 3221.0 0.01668 7.0 NaN NaN 115.76 96.0 116.125000 1.000000 2.210000 70.691843 9.961250 0.000000 0.000000 -0.011177 -0.011177 0.000000 0.000000 69.0 1.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
100213 DAY 0 66.145833 3.0 1.0 0.0 1.0 29.7 130.0 NaN NaN NaN NaN NaN NaN NaN -7.600000 145.19 0.0 78.875000 NaN 3.055000 60.262339 14.983750 0.377953 -0.216535 -0.220436 -0.145394 0.013096 -0.004149 71.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 2.0 0.0 2.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 2.0 1.0
DAY 28 91.145833 2.0 NaN NaN NaN NaN 130.0 0.20 6.2 20.581 2327.0 0.01652 6.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.177143 -0.431429 2.164590 0.096261 NaN NaN 71.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 2.0 0.0 2.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 2.0 1.0
DAY 84 75.000000 2.0 NaN NaN NaN NaN 130.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.309028 -0.309028 NaN NaN NaN NaN 71.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 2.0 0.0 2.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 2.0 1.0
END OF TREATMENT 51.822917 2.0 NaN 0.0 NaN NaN 115.0 0.10 5.9 5.790 7364.0 0.01634 1.5 1007.52 -9.200000 127.20 23.0 77.625000 NaN 2.787500 83.470792 14.905000 0.000000 0.000000 -0.653585 -0.653585 0.000000 0.000000 71.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 2.0 0.0 2.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 2.0 1.0
100217 DAY 0 65.625000 3.0 1.0 1.0 0.0 22.0 118.0 NaN NaN NaN NaN NaN NaN 1791.53 -11.500000 66.84 0.0 105.875000 NaN 4.465000 56.540884 11.416250 -0.182540 -0.182540 -0.482692 -0.812682 0.276302 0.276302 87.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 1.0 2.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 1.0
DAY 28 53.645833 2.0 NaN NaN NaN NaN 128.0 0.20 5.9 40.672 1599.0 0.04327 217.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.029126 0.000000 -0.250156 -0.637899 NaN NaN 87.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 1.0 2.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 1.0
DAY 84 52.083333 3.0 NaN NaN NaN NaN 102.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.030000 0.030000 NaN NaN NaN NaN 87.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 1.0 2.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 1.0
END OF TREATMENT 53.645833 2.0 NaN 1.0 NaN NaN 156.0 0.40 6.2 67.757 1199.0 0.03744 189.0 2822.16 -13.800000 69.37 NaN NaN NaN NaN NaN NaN 0.000000 0.000000 -0.517098 -0.517098 NaN NaN 87.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 1.0 2.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 1.0
100238 DAY 0 45.833333 3.0 0.0 0.0 0.0 19.6 108.0 NaN NaN NaN NaN NaN NaN 1278.66 NaN 121.42 0.0 50.750000 NaN 5.562500 36.508672 10.000000 0.238636 -0.369318 -0.538571 1.139708 0.147337 0.498300 73.0 0.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0
DAY 28 56.770833 3.0 NaN NaN NaN NaN 105.0 0.30 7.7 48.497 1298.0 0.01338 6.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.133028 -0.490826 6.433744 3.637134 NaN NaN 73.0 0.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0
DAY 84 64.322917 2.0 NaN NaN NaN NaN 107.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.550607 -0.550607 NaN NaN NaN NaN 73.0 0.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0
END OF TREATMENT 28.906250 3.0 NaN 1.0 NaN NaN 137.0 0.40 7.9 8.382 9649.0 0.01705 28.0 2649.18 -7.900000 136.09 43.0 88.000000 NaN 5.011667 97.447009 9.873333 0.000000 0.000000 -0.376205 -0.376205 0.000000 0.000000 73.0 0.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0
100270 DAY 0 76.302083 2.0 0.0 1.0 1.0 23.1 130.0 NaN NaN NaN NaN NaN NaN 1636.75 -7.500000 93.85 0.0 0.833333 NaN 2.068333 79.677981 13.245000 0.068259 0.003413 -0.058878 1.651973 0.061579 0.185493 87.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 1.0 1.0 0.0 2.0 1.0 2.0 1.0 0.0 0.0 5.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 2.0 3.0
DAY 28 81.510417 2.0 NaN NaN NaN NaN 110.0 0.05 5.3 5.363 3053.0 0.03894 22.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.130990 -0.060703 1.817884 1.817884 NaN NaN 87.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 1.0 1.0 0.0 2.0 1.0 2.0 1.0 0.0 0.0 5.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 2.0 3.0
DAY 84 70.833333 2.0 NaN NaN NaN NaN 122.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.080882 0.080882 NaN NaN NaN NaN 87.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 1.0 1.0 0.0 2.0 1.0 2.0 1.0 0.0 0.0 5.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 2.0 3.0
END OF TREATMENT 76.562500 2.0 NaN 1.0 NaN NaN 122.0 0.50 5.7 4.712 8603.0 0.03690 10.0 1945.50 -11.100000 100.81 0.0 1.125000 NaN 1.443750 74.564808 15.371250 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 87.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 1.0 1.0 0.0 2.0 1.0 2.0 1.0 0.0 0.0 5.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 2.0 3.0
100276 DAY 0 100.000000 2.0 0.0 1.0 0.0 28.6 134.0 NaN NaN NaN NaN NaN NaN 1633.04 -9.266667 NaN 0.0 97.250000 NaN 4.228750 66.026654 12.311250 -0.046875 -0.015625 0.007634 -0.162850 0.114114 0.174867 73.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 1.0 1.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0
DAY 28 95.312500 2.0 NaN NaN NaN NaN 111.0 0.50 6.1 3.200 396.0 0.02689 3.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.049180 0.032787 -0.111111 -0.169192 NaN NaN 73.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 1.0 1.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0
DAY 84 100.000000 2.0 NaN NaN NaN NaN 126.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.015625 -0.015625 NaN NaN NaN NaN 73.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 1.0 1.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0
END OF TREATMENT 98.437500 2.0 NaN 1.0 NaN NaN 109.0 0.70 6.0 18.957 352.0 0.02898 1.5 1002.23 -9.633333 132.62 0.0 89.875000 NaN 3.471250 67.988152 12.928750 0.000000 0.000000 -0.065341 -0.065341 0.000000 0.000000 73.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 1.0 1.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0
100306 DAY 0 88.541667 3.0 0.0 1.0 0.0 26.8 140.0 NaN NaN NaN NaN NaN NaN 1140.32 -14.300000 118.08 0.0 13.750000 NaN 4.546250 54.784550 6.066250 0.000000 -0.467647 -0.376906 -0.570806 0.041475 -0.055588 72.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 1.0 3.0 0.0 0.0 0.0 0.0 1.0 0.0 2.0 0.0 1.0 0.0 0.0 2.0 0.0 1.0 1.0 1.0 0.0 1.0
DAY 28 88.541667 2.0 NaN NaN NaN NaN 150.0 0.30 5.4 3.336 286.0 0.00650 37.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.217647 -0.467647 -0.153846 -0.311189 NaN NaN 72.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 1.0 3.0 0.0 0.0 0.0 0.0 1.0 0.0 2.0 0.0 1.0 0.0 0.0 2.0 0.0 1.0 1.0 1.0 0.0 1.0
DAY 84 69.270833 2.0 NaN NaN NaN NaN 130.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.319549 -0.319549 NaN NaN NaN NaN 72.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 1.0 3.0 0.0 0.0 0.0 0.0 1.0 0.0 2.0 0.0 1.0 0.0 0.0 2.0 0.0 1.0 1.0 1.0 0.0 1.0
END OF TREATMENT 47.135417 2.0 NaN 0.0 NaN NaN 130.0 0.30 5.3 15.274 242.0 0.01408 106.0 1780.89 -18.466667 101.73 0.0 47.750000 NaN 3.855000 56.616317 6.926250 0.000000 0.000000 -0.185950 -0.185950 0.000000 0.000000 72.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 1.0 3.0 0.0 0.0 0.0 0.0 1.0 0.0 2.0 0.0 1.0 0.0 0.0 2.0 0.0 1.0 1.0 1.0 0.0 1.0
100313 DAY 0 77.083333 2.0 0.0 0.0 0.0 34.3 108.0 NaN NaN NaN 5741.0 0.02429 NaN NaN NaN NaN 69.0 101.750000 1.500000 1.655000 61.821078 15.423750 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 76.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 NaN 0.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0 2.0
100328 DAY 0 72.135417 2.0 0.0 1.0 1.0 31.5 112.0 NaN NaN NaN NaN NaN NaN NaN -7.500000 93.17 NaN NaN NaN NaN NaN NaN 0.191336 -0.003610 -0.046450 -0.007011 NaN NaN 58.0 1.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 2.0 1.0 0.0 1.0 0.0 0.0 2.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 1.0 2.0 2.0
DAY 28 85.937500 2.0 NaN NaN NaN NaN 115.0 0.40 9.0 7.976 1088.0 0.02556 37.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.133333 -0.163636 -0.261029 0.041360 NaN NaN 58.0 1.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 2.0 1.0 0.0 1.0 0.0 0.0 2.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 1.0 2.0 2.0
DAY 84 74.479167 2.0 NaN NaN NaN NaN 98.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.034965 -0.034965 NaN NaN NaN NaN 58.0 1.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 2.0 1.0 0.0 1.0 0.0 0.0 2.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 1.0 2.0 2.0
END OF TREATMENT 71.875000 2.0 NaN 1.0 NaN NaN 110.0 0.30 8.7 16.520 804.0 0.02722 11.0 NaN NaN 95.87 NaN NaN NaN NaN NaN NaN 0.000000 0.000000 0.409204 0.409204 NaN NaN 58.0 1.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 2.0 1.0 0.0 1.0 0.0 0.0 2.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 1.0 2.0 2.0
100358 DAY 0 48.437500 2.0 0.0 1.0 0.0 32.4 107.0 NaN NaN NaN NaN NaN NaN 1324.63 -6.800000 121.53 0.0 85.625000 NaN 2.457500 67.502442 9.242500 0.462366 -0.763441 -0.158855 3.201283 0.052129 -0.367918 62.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 2.0 1.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 1.0 2.0 0.0 0.0 1.0
DAY 28 70.833333 2.0 NaN NaN NaN NaN 131.0 0.30 6.0 4.371 1705.0 NaN 49.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.305147 -0.838235 3.286217 3.994721 NaN NaN 62.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 2.0 1.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 1.0 2.0 0.0 0.0 1.0
DAY 84 49.218750 2.0 NaN NaN NaN NaN 99.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.767196 -0.767196 NaN NaN NaN NaN 62.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 2.0 1.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 1.0 2.0 0.0 0.0 1.0
END OF TREATMENT 11.458333 3.0 NaN 1.0 NaN NaN 109.0 1.20 6.4 15.006 7308.0 NaN 729.0 1938.67 -8.366667 144.75 0.0 78.375000 NaN 1.128750 62.668246 12.942500 0.000000 0.000000 0.165298 0.165298 0.000000 0.000000 62.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 2.0 1.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 1.0 2.0 0.0 0.0 1.0
100360 DAY 0 53.906250 3.0 0.0 1.0 0.0 36.1 150.0 NaN NaN NaN NaN NaN NaN NaN NaN 98.96 45.0 83.750000 NaN 2.501250 76.168661 10.008750 0.057971 0.275362 0.277740 0.117687 -0.103474 -0.040403 66.0 0.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 1.0 1.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 2.0
DAY 28 57.031250 3.0 NaN NaN NaN NaN 138.0 0.70 7.4 162.240 1900.0 0.02958 89.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.210046 0.205479 -0.280000 -0.125263 NaN NaN 66.0 0.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 1.0 1.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 2.0
DAY 84 69.010417 2.0 NaN NaN NaN NaN 120.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.003774 -0.003774 NaN NaN NaN NaN 66.0 0.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 1.0 1.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 2.0
END OF TREATMENT 68.750000 3.0 NaN 1.0 NaN NaN 130.0 0.60 7.1 32.816 1368.0 0.03106 30.0 NaN NaN 77.11 56.0 84.375000 NaN 2.915000 73.813443 9.478750 0.000000 0.000000 0.214912 0.214912 0.000000 0.000000 66.0 0.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 1.0 1.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 2.0
100362 DAY 0 84.375000 2.0 1.0 1.0 1.0 32.9 128.0 NaN NaN NaN NaN NaN NaN NaN -6.400000 113.51 183.0 108.000000 NaN 2.173750 72.040998 12.103750 0.061728 0.067901 -0.092489 0.356502 0.158770 -0.162578 68.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 1.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 1.0 1.0
DAY 28 89.583333 2.0 NaN NaN NaN NaN 118.0 0.30 6.0 3.952 1619.0 0.01594 8.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.139535 0.005814 -0.104385 0.494750 NaN NaN 68.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 1.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 1.0 1.0
DAY 84 77.083333 3.0 NaN NaN NaN NaN 165.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.168919 0.168919 NaN NaN NaN NaN 68.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 1.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 1.0 1.0
END OF TREATMENT 90.104167 3.0 NaN 1.0 NaN NaN 122.0 0.20 6.2 3.631 1450.0 0.01934 8.0 1373.93 NaN 119.96 55.0 110.750000 NaN 2.173750 71.170273 11.913750 0.000000 0.000000 0.668966 0.668966 0.000000 0.000000 68.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 1.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 1.0 1.0
100376 DAY 0 98.437500 2.0 1.0 1.0 1.0 23.2 120.0 NaN NaN NaN NaN NaN NaN 1060.54 -10.000000 112.19 0.0 102.000000 NaN 3.478750 47.876299 10.300000 -0.026455 -0.026455 0.123381 0.123381 0.000000 0.000000 57.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 2.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
DAY 28 95.833333 1.0 NaN NaN NaN NaN 110.0 0.30 6.5 10.157 1821.0 0.01832 7.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.000000 0.000000 0.000000 0.000000 NaN NaN 57.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 2.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
100391 DAY 0 38.281250 3.0 0.0 1.0 0.0 37.8 116.0 NaN NaN NaN NaN NaN NaN NaN -6.466667 167.69 0.0 31.000000 NaN 1.068571 71.084080 11.102857 0.578231 0.299320 0.000880 -0.390501 0.137532 -0.206694 62.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 1.0 2.0 0.0 5.0 0.0 0.0 0.0 5.0 0.0 1.0 2.0 0.0 2.0 2.0
DAY 28 60.416667 3.0 NaN NaN NaN NaN 105.0 0.40 6.7 12.293 1138.0 0.02079 80.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.370690 -0.176724 0.567663 -0.391037 NaN NaN 62.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 1.0 2.0 0.0 5.0 0.0 0.0 0.0 5.0 0.0 1.0 2.0 0.0 2.0 2.0
DAY 84 38.020833 3.0 NaN NaN NaN NaN 119.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.308219 0.308219 NaN NaN NaN NaN 62.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 1.0 2.0 0.0 5.0 0.0 0.0 0.0 5.0 0.0 1.0 2.0 0.0 2.0 2.0
END OF TREATMENT 49.739583 2.0 NaN 1.0 NaN NaN 131.0 0.50 7.8 4.492 1784.0 0.01604 6.0 NaN -5.700000 151.61 0.0 118.285714 NaN 1.545714 83.840436 10.447143 0.000000 0.000000 -0.611547 -0.611547 0.000000 0.000000 62.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 1.0 2.0 0.0 5.0 0.0 0.0 0.0 5.0 0.0 1.0 2.0 0.0 2.0 2.0
100456 DAY 0 72.916667 2.0 1.0 1.0 1.0 27.1 120.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 160.666667 NaN 3.020000 52.841522 13.795000 0.064286 0.060714 -0.544643 -0.544643 0.096317 -0.112331 63.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 0.0 3.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
DAY 28 77.604167 2.0 NaN NaN NaN NaN 120.0 0.20 5.0 16.581 25.5 0.00650 26.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.171141 -0.003356 1.156863 0.000000 NaN NaN 63.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 0.0 3.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
DAY 84 64.322917 2.0 NaN NaN NaN NaN 117.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.202429 0.202429 NaN NaN NaN NaN 63.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 0.0 3.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
END OF TREATMENT 77.343750 2.0 NaN 1.0 NaN NaN 110.0 0.70 5.0 2.871 55.0 0.00650 4.0 NaN NaN NaN 0.0 144.000000 NaN 4.630000 53.928352 11.580000 0.000000 0.000000 -0.536364 -0.536364 0.000000 0.000000 63.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 0.0 3.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
100458 DAY 0 96.354167 3.0 1.0 1.0 1.0 25.5 135.0 NaN NaN NaN NaN NaN NaN NaN -10.733333 85.50 0.0 158.375000 1.000000 2.521250 60.618735 11.428750 -0.178378 -0.070270 -0.063025 -0.275210 -0.042674 -0.059715 77.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
DAY 28 79.166667 2.0 NaN NaN NaN NaN 140.0 0.30 5.8 6.088 446.0 0.00650 14.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.059211 0.131579 0.786996 -0.226457 NaN NaN 77.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
DAY 84 83.854167 2.0 NaN NaN NaN NaN 125.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.068323 0.068323 NaN NaN NaN NaN 77.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
END OF TREATMENT 89.583333 2.0 NaN 1.0 NaN NaN 130.0 0.40 5.9 14.436 797.0 0.00650 7.0 1910.28 -14.333333 85.19 0.0 153.500000 NaN 2.480000 61.048363 11.823750 0.000000 0.000000 -0.567127 -0.567127 0.000000 0.000000 77.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
100459 DAY 0 82.031250 2.0 1.0 1.0 1.0 21.3 136.0 NaN NaN NaN NaN NaN NaN 777.53 -9.800000 75.85 39.0 74.250000 NaN 3.303750 99.273782 15.115000 0.219048 0.111111 -0.123711 -0.272438 0.083868 0.000740 63.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 1.0 1.0 0.0 0.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
DAY 28 100.000000 2.0 NaN NaN NaN NaN 132.0 0.10 5.5 61.361 5780.0 0.02259 63.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.000000 -0.088542 0.072145 -0.169723 NaN NaN 63.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 1.0 1.0 0.0 0.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
DAY 84 100.000000 2.0 NaN NaN NaN NaN 125.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.088542 -0.088542 NaN NaN NaN NaN 63.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 1.0 1.0 0.0 0.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
END OF TREATMENT 91.145833 1.0 NaN 1.0 NaN NaN 122.0 0.90 5.2 77.949 6197.0 NaN 112.0 1479.35 -10.400000 70.92 34.0 89.500000 NaN 2.550000 83.987561 15.792500 0.000000 0.000000 -0.225593 -0.225593 0.000000 0.000000 63.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 1.0 1.0 0.0 0.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
100473 DAY 0 62.500000 3.0 0.0 0.0 1.0 32.4 119.0 NaN NaN NaN NaN NaN NaN 1025.28 -6.700000 175.65 0.0 154.444444 NaN 3.854444 73.577804 9.320000 0.150000 -0.116667 -0.012826 1.181393 -0.130927 -0.146970 71.0 1.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 1.0 0.0 2.0 0.0 0.0 1.0 3.0 1.0 0.0 0.0 3.0 2.0 0.0 0.0 0.0 0.0 1.0 2.0 1.0 1.0 1.0
DAY 28 71.875000 3.0 NaN NaN NaN NaN 121.0 0.30 6.1 3.025 4849.0 0.02788 26.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.101449 -0.231884 -0.512271 1.209734 NaN NaN 71.0 1.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 1.0 0.0 2.0 0.0 0.0 1.0 3.0 1.0 0.0 0.0 3.0 2.0 0.0 0.0 0.0 0.0 1.0 2.0 1.0 1.0 1.0
DAY 84 64.583333 3.0 NaN NaN NaN NaN 120.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.145161 -0.145161 NaN NaN NaN NaN 71.0 1.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 1.0 0.0 2.0 0.0 0.0 1.0 3.0 1.0 0.0 0.0 3.0 2.0 0.0 0.0 0.0 0.0 1.0 2.0 1.0 1.0 1.0
PREMATURE DISCONTINUATION VISIT 55.208333 3.0 NaN 0.0 NaN NaN 106.0 0.40 6.9 4.825 2365.0 0.03423 7.0 1981.62 -5.300000 146.92 NaN NaN NaN NaN NaN NaN 0.000000 0.000000 3.530655 3.530655 NaN NaN 71.0 1.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 1.0 0.0 2.0 0.0 0.0 1.0 3.0 1.0 0.0 0.0 3.0 2.0 0.0 0.0 0.0 0.0 1.0 2.0 1.0 1.0 1.0
100479 DAY 0 85.416667 2.0 0.0 1.0 1.0 21.7 98.0 NaN NaN NaN NaN NaN NaN NaN -16.000000 105.76 NaN NaN NaN NaN NaN NaN -0.112805 -0.487805 -0.776131 -0.659126 NaN NaN 65.0 1.0 0.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 0.0
DAY 28 75.781250 2.0 NaN NaN NaN NaN 98.0 0.30 5.9 7.990 287.0 0.02210 6.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.422680 -0.422680 -0.114983 0.522648 NaN NaN 65.0 1.0 0.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 0.0
DAY 84 43.750000 2.0 NaN NaN NaN NaN 119.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.000000 0.000000 NaN NaN NaN NaN 65.0 1.0 0.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 0.0
END OF TREATMENT 43.750000 2.0 NaN 1.0 NaN NaN 98.0 0.10 6.3 3.107 254.0 0.01786 45.0 1456.22 -17.200000 124.60 NaN NaN NaN NaN NaN NaN 0.000000 0.000000 0.720472 0.720472 NaN NaN 65.0 1.0 0.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 0.0
100480 DAY 0 79.166667 2.0 1.0 1.0 1.0 25.5 126.0 NaN NaN NaN NaN NaN NaN 1520.41 -11.100000 67.85 0.0 101.875000 NaN 3.208750 62.413741 12.110000 0.154605 0.197368 -0.018657 -0.189765 0.009888 0.212130 72.0 0.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0
DAY 28 91.406250 2.0 NaN NaN NaN NaN 134.0 0.40 5.5 9.693 1841.0 0.00650 3.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.019943 0.037037 -0.114068 -0.174362 NaN NaN 72.0 0.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0
DAY 84 89.583333 2.0 NaN NaN NaN NaN 129.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.058140 0.058140 NaN NaN NaN NaN 72.0 0.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0
END OF TREATMENT 94.791667 2.0 NaN 1.0 NaN NaN 142.0 0.50 5.7 81.474 1631.0 0.00650 4.0 983.66 -9.700000 NaN 0.0 103.875000 NaN 4.330000 66.207454 9.933750 0.000000 0.000000 -0.068056 -0.068056 0.000000 0.000000 72.0 0.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0
100495 DAY 0 56.250000 3.0 1.0 1.0 0.0 28.6 126.0 NaN NaN NaN NaN NaN NaN NaN -8.900000 NaN 38.0 50.125000 NaN 2.282500 70.602696 10.876250 -0.226852 -0.370370 0.068182 0.132231 0.058343 0.290937 80.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 1.0 1.0
DAY 28 43.489583 3.0 NaN NaN NaN NaN 125.0 NaN NaN 100.020 NaN NaN 12.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.293413 -0.185629 NaN NaN NaN NaN 80.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 1.0 1.0
DAY 84 56.250000 2.0 NaN NaN NaN NaN 117.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.370370 -0.370370 NaN NaN NaN NaN 80.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 1.0 1.0
END OF TREATMENT 35.416667 2.0 NaN 1.0 NaN NaN 132.0 0.80 5.6 22.988 2585.0 0.01503 7.0 NaN -11.800000 95.99 121.0 52.500000 NaN 2.242500 82.875282 11.045000 0.000000 0.000000 0.059961 0.059961 0.000000 0.000000 80.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 1.0 1.0
100496 DAY 0 69.791667 3.0 0.0 1.0 1.0 34.5 133.0 NaN NaN NaN NaN NaN NaN 1920.37 -14.500000 117.58 0.0 79.750000 NaN 1.523750 65.008841 12.337500 -0.078358 0.171642 NaN NaN 0.382181 0.774157 41.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
DAY 28 64.322917 3.0 NaN NaN NaN NaN 129.0 0.70 6.5 640.000 NaN 0.02291 879.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.040486 0.271255 0.037578 0.573137 NaN NaN 41.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
DAY 84 66.927083 3.0 NaN NaN NaN NaN 135.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.221790 0.221790 NaN NaN NaN NaN 41.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
END OF TREATMENT 81.770833 3.0 NaN 1.0 NaN NaN 153.0 0.20 6.9 213.900 NaN 0.02209 838.0 NaN -13.066667 NaN 0.0 122.250000 NaN 1.576250 63.665061 12.855000 0.000000 0.000000 0.516163 0.516163 0.000000 0.000000 41.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
100608 DAY 0 92.708333 2.0 0.0 1.0 1.0 39.8 127.0 NaN NaN NaN NaN NaN NaN 1483.18 NaN 140.86 0.0 154.375000 NaN 2.780000 56.100409 10.598750 0.078652 0.011236 -0.753642 -0.843709 0.123425 0.198637 49.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
DAY 28 100.000000 2.0 NaN NaN NaN NaN 130.0 0.30 6.3 4.881 186.0 0.02918 19.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.020833 -0.062500 0.435484 -0.365591 NaN NaN 49.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
DAY 84 97.916667 2.0 NaN NaN NaN NaN 130.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.042553 -0.042553 NaN NaN NaN NaN 49.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
END OF TREATMENT 93.750000 2.0 NaN 1.0 NaN NaN 120.0 0.20 5.9 4.818 267.0 0.03379 9.0 NaN NaN 101.85 0.0 157.375000 NaN 2.583750 62.635252 11.658750 0.000000 0.000000 -0.558052 -0.558052 0.000000 0.000000 49.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
100613 DAY 0 66.145833 2.0 0.0 1.0 1.0 27.8 110.0 NaN NaN NaN NaN NaN NaN NaN -6.700000 156.82 0.0 24.000000 NaN 2.717500 54.236080 12.078750 0.342520 0.362205 0.499185 1.838043 0.338961 -0.221727 79.0 1.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 0.0 2.0 0.0 2.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0
DAY 28 88.802083 1.0 NaN NaN NaN NaN 120.0 0.10 6.9 3.392 5517.0 0.06254 179.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.137830 0.014663 0.130143 0.893058 NaN NaN 79.0 1.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 0.0 2.0 0.0 2.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0
DAY 84 76.562500 2.0 NaN NaN NaN NaN 120.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.176871 0.176871 NaN NaN NaN NaN 79.0 1.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 0.0 2.0 0.0 2.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0
END OF TREATMENT 90.104167 1.0 NaN 1.0 NaN NaN 120.0 0.40 7.0 2.048 6235.0 0.06228 12.0 1286.40 -6.600000 136.79 0.0 52.444444 NaN 2.454444 61.503408 13.181111 0.000000 0.000000 0.675060 0.675060 0.000000 0.000000 79.0 1.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 0.0 2.0 0.0 2.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0
100621 DAY 0 48.437500 2.0 1.0 1.0 1.0 34.5 130.0 NaN NaN NaN NaN NaN NaN NaN -13.266667 106.46 0.0 69.000000 NaN 2.325000 61.078055 13.762500 0.419355 0.408602 1.412791 0.199612 0.113912 0.113912 60.0 1.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 1.0 0.0
DAY 28 68.750000 2.0 NaN NaN NaN NaN 123.0 0.30 NaN 44.808 1245.0 0.00650 9.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.098485 -0.007576 -0.603213 -0.502811 NaN NaN 60.0 1.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 1.0 0.0
DAY 84 61.979167 2.0 NaN NaN NaN NaN 100.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.100840 0.100840 NaN NaN NaN NaN 60.0 1.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 1.0 0.0
PREMATURE DISCONTINUATION VISIT 68.229167 2.0 NaN 1.0 NaN NaN 105.0 0.40 NaN 20.997 494.0 0.00650 4.0 1296.69 -13.400000 109.99 NaN NaN NaN NaN NaN NaN 0.000000 0.000000 0.253036 0.253036 NaN NaN 60.0 1.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 1.0 0.0
100635 DAY 0 68.489583 3.0 0.0 1.0 0.0 26.2 116.0 NaN NaN NaN NaN NaN NaN 1849.23 -6.066667 116.71 11.0 76.875000 NaN 1.831250 63.010076 13.615000 0.273764 0.292776 -0.119787 -0.512528 -0.144190 -0.144190 82.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 1.0 0.0 2.0 0.0 2.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 1.0 0.0
DAY 28 87.239583 3.0 NaN NaN NaN NaN 116.0 0.80 6.3 33.395 10258.0 0.05287 140.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.035821 0.014925 -0.481088 -0.446188 NaN NaN 82.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 1.0 0.0 2.0 0.0 2.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 1.0 0.0
DAY 84 90.364583 3.0 NaN NaN NaN NaN 92.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.020173 -0.020173 NaN NaN NaN NaN 82.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 1.0 0.0 2.0 0.0 2.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 1.0 0.0
END OF TREATMENT 88.541667 3.0 NaN 1.0 NaN NaN 101.0 0.20 6.4 3.781 5323.0 0.02481 1.5 876.50 -7.100000 107.97 NaN NaN NaN NaN NaN NaN 0.000000 0.000000 -0.552320 0.067255 NaN NaN 82.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 1.0 0.0 2.0 0.0 2.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 1.0 0.0
100694 DAY 0 91.145833 2.0 0.0 1.0 0.0 28.5 134.0 NaN NaN NaN NaN NaN NaN 2292.03 -14.500000 89.92 0.0 108.625000 NaN 1.610000 82.095254 10.183750 -0.057143 -0.051429 -0.088123 -0.066937 -0.000214 0.351844 68.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 1.0 0.0 1.0 0.0 1.0 1.0
DAY 28 85.937500 2.0 NaN NaN NaN NaN 142.0 0.60 7.8 310.550 4046.0 0.02380 59.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.054545 0.006061 0.228374 0.023233 NaN NaN 68.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 1.0 0.0 1.0 0.0 1.0 1.0
DAY 84 90.625000 2.0 NaN NaN NaN NaN 146.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.045977 -0.045977 NaN NaN NaN NaN 68.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 1.0 0.0 1.0 0.0 1.0 1.0
END OF TREATMENT 86.458333 2.0 NaN 1.0 NaN NaN 142.0 0.40 7.1 2.856 4970.0 0.01868 19.0 1196.96 -12.100000 66.22 0.0 70.625000 NaN 1.740000 79.307546 10.103750 0.000000 0.000000 -0.167002 -0.167002 0.000000 0.000000 68.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 1.0 0.0 1.0 0.0 1.0 1.0
100717 DAY 0 91.666667 2.0 0.0 1.0 0.0 24.9 100.0 NaN NaN NaN NaN NaN NaN 1564.90 -9.700000 129.63 0.0 41.750000 NaN 1.828750 71.173221 12.594444 0.017045 0.034091 0.274059 -0.427824 0.180731 0.763158 68.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 1.0 1.0 0.0 1.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 1.0
DAY 28 93.229167 2.0 NaN NaN NaN NaN 100.0 0.05 6.0 3.765 2436.0 0.02987 1.5 NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.005587 0.016760 -0.119458 -0.550903 NaN NaN 68.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 1.0 1.0 0.0 1.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 1.0
DAY 84 93.750000 2.0 NaN NaN NaN NaN 100.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.011111 0.011111 NaN NaN NaN NaN 68.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 1.0 1.0 0.0 1.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 1.0
END OF TREATMENT 94.791667 2.0 NaN 1.0 NaN NaN 100.0 0.30 6.2 8.022 2145.0 0.03320 4.0 NaN -8.800000 131.49 1.0 45.000000 NaN 0.900000 71.314737 14.080000 0.000000 0.000000 -0.489977 -0.489977 0.000000 0.000000 68.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 1.0 1.0 0.0 1.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 1.0
100753 DAY 0 25.000000 3.0 1.0 1.0 1.0 23.1 110.0 NaN NaN NaN NaN NaN NaN NaN -3.700000 129.97 0.0 24.444444 NaN 2.101111 58.448100 14.548889 -0.375000 0.104167 -0.017356 -0.129985 0.044626 1.586132 70.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 1.0 2.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 1.0 1.0
DAY 28 15.625000 3.0 NaN NaN NaN NaN 110.0 0.40 5.7 1.692 2661.0 0.03878 1.5 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.166667 0.766667 -0.169109 -0.114619 NaN NaN 70.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 1.0 2.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 1.0 1.0
DAY 84 13.020833 3.0 NaN NaN NaN NaN 110.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 1.120000 1.120000 NaN NaN NaN NaN 70.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 1.0 2.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 1.0 1.0
END OF TREATMENT 27.604167 3.0 NaN 1.0 NaN NaN 110.0 0.10 5.4 8.913 2211.0 0.03726 22.0 2049.27 -5.333333 140.87 0.0 102.888889 NaN 2.498889 60.254322 14.861111 0.000000 0.000000 0.065581 0.065581 0.000000 0.000000 70.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 1.0 2.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 1.0 1.0
100758 DAY 0 68.750000 2.0 0.0 1.0 1.0 25.3 126.0 NaN NaN NaN NaN 0.02729 NaN 1463.20 -18.400000 59.62 0.0 114.000000 NaN 1.552500 74.865173 14.001250 0.227273 0.378788 -0.017094 -0.128205 0.275547 0.103001 64.0 1.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0
DAY 28 84.375000 2.0 NaN NaN NaN NaN 144.0 0.60 5.5 11.817 345.0 NaN 9.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.166667 0.123457 -0.518841 -0.113043 NaN NaN 64.0 1.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0
DAY 84 70.312500 2.0 NaN NaN NaN NaN 120.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.348148 0.348148 NaN NaN NaN NaN 64.0 1.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0
END OF TREATMENT 94.791667 2.0 NaN 1.0 NaN NaN 145.0 0.20 5.7 9.671 166.0 NaN 10.0 NaN -16.000000 NaN 0.0 100.625000 NaN 1.811250 77.468888 12.997500 0.000000 0.000000 0.843373 0.843373 0.000000 0.000000 64.0 1.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0
100766 DAY 0 40.625000 3.0 1.0 1.0 1.0 25.2 95.0 NaN NaN NaN NaN NaN NaN 1536.61 -5.700000 146.79 0.0 120.000000 NaN 3.267778 79.556203 16.690000 0.423077 0.250000 -0.098085 0.504353 -0.044978 -0.122832 50.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
DAY 28 57.812500 2.0 NaN NaN NaN NaN 95.0 0.10 7.4 3.891 3108.0 NaN 101.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.081081 -0.121622 0.352960 0.667954 NaN NaN 50.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
DAY 84 53.125000 2.0 NaN NaN NaN NaN 90.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.044118 -0.044118 NaN NaN NaN NaN 50.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
END OF TREATMENT 50.781250 2.0 NaN 1.0 NaN NaN 100.0 0.20 7.3 3.744 4205.0 0.19740 134.0 1704.43 -6.666667 143.11 0.0 54.888889 NaN 3.112222 73.032662 16.890000 0.000000 0.000000 0.232818 0.232818 0.000000 0.000000 50.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
100806 DAY 0 34.635417 3.0 0.0 1.0 1.0 18.3 118.0 NaN NaN NaN NaN NaN NaN NaN NaN 93.26 0.0 94.250000 NaN 4.215000 71.080365 14.107500 0.518797 0.443609 0.934057 1.867727 -0.052018 0.279989 61.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 1.0 2.0 0.0 0.0 1.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 1.0 1.0
DAY 28 52.604167 3.0 NaN NaN NaN NaN 107.0 0.05 6.5 1.820 4986.0 0.00650 20.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.252475 -0.049505 -0.024669 0.482752 NaN NaN 61.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 1.0 2.0 0.0 0.0 1.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 1.0 1.0
DAY 84 65.885417 3.0 NaN NaN NaN NaN 125.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.241107 -0.241107 NaN NaN NaN NaN 61.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 1.0 2.0 0.0 0.0 1.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 1.0 1.0
END OF TREATMENT 50.000000 3.0 NaN 1.0 NaN NaN 134.0 0.40 6.5 12.977 4863.0 0.01352 100.0 1174.62 -5.200000 105.40 0.0 119.625000 NaN 4.660000 67.232905 11.948750 0.000000 0.000000 0.520255 0.520255 0.000000 0.000000 61.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 1.0 2.0 0.0 0.0 1.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 1.0 1.0
100812 DAY 0 84.114583 2.0 1.0 1.0 1.0 34.0 115.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN 72.0 159.375000 NaN 2.395000 73.830566 12.657500 0.154799 -0.235294 NaN NaN 0.136611 0.136611 59.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
DAY 28 97.135417 2.0 NaN NaN NaN NaN 100.0 0.20 5.1 10.729 NaN NaN 38.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.337802 -0.337802 0.000000 0.000000 NaN NaN 59.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
DAY 84 64.322917 2.0 NaN NaN NaN NaN 100.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.000000 0.000000 NaN NaN NaN NaN 59.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
100840 DAY 0 84.375000 2.0 1.0 1.0 1.0 26.0 120.0 NaN NaN NaN NaN NaN NaN 1409.66 NaN 98.66 0.0 88.222222 NaN 3.688889 73.764626 12.915556 -0.086420 -0.070988 0.481994 0.094183 -0.024934 0.758385 59.0 1.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0
DAY 28 77.083333 2.0 NaN NaN NaN NaN 120.0 0.20 5.7 12.925 1070.0 0.00650 21.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.013514 0.016892 -0.011215 -0.261682 NaN NaN 59.0 1.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0
DAY 84 78.125000 2.0 NaN NaN NaN NaN 120.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.003333 0.003333 NaN NaN NaN NaN 59.0 1.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0
END OF TREATMENT 78.385417 2.0 NaN 1.0 NaN NaN 105.0 0.50 5.5 12.348 1058.0 0.00650 22.0 2593.29 -11.066667 95.94 0.0 100.111111 NaN 4.468750 69.065624 11.854444 0.000000 0.000000 -0.253308 -0.253308 0.000000 0.000000 59.0 1.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0
100842 DAY 0 87.500000 2.0 1.0 1.0 1.0 26.4 108.0 NaN NaN NaN NaN NaN NaN 1216.71 -4.200000 91.55 0.0 121.875000 NaN 2.223750 64.407882 13.205000 -0.005952 -0.452381 0.041408 -0.008972 0.114023 0.048594 88.0 1.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0
DAY 28 86.979167 2.0 NaN NaN NaN NaN 118.0 0.50 6.8 1.392 1509.0 0.03526 3.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.209581 -0.449102 -0.089463 -0.048376 NaN NaN 88.0 1.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0
DAY 84 68.750000 2.0 NaN NaN NaN NaN 134.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.303030 -0.303030 NaN NaN NaN NaN 88.0 1.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0
END OF TREATMENT 47.916667 2.0 NaN 1.0 NaN NaN 127.0 0.30 7.0 1.105 1374.0 0.03434 1.5 1021.94 -6.433333 95.87 0.0 118.222222 NaN 2.465556 63.585904 14.527778 0.000000 0.000000 0.045124 0.045124 0.000000 0.000000 88.0 1.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0
100847 DAY 0 82.812500 2.0 1.0 1.0 0.0 23.5 110.0 NaN NaN NaN NaN NaN NaN 1628.71 -10.100000 153.15 0.0 77.625000 NaN 2.057500 63.998535 11.465000 -0.257862 -0.481132 0.201432 0.145761 0.129936 0.129936 79.0 1.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 2.0 4.0 2.0 1.0 0.0 2.0 1.0 0.0 0.0 3.0 1.0 0.0 0.0 2.0 0.0 0.0 2.0 2.0 0.0 1.0
DAY 28 61.458333 2.0 NaN NaN NaN NaN 100.0 0.10 5.7 7.020 5201.0 0.04453 11.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.415254 -0.300847 -0.247645 -0.046337 NaN NaN 79.0 1.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 2.0 4.0 2.0 1.0 0.0 2.0 1.0 0.0 0.0 3.0 1.0 0.0 0.0 2.0 0.0 0.0 2.0 2.0 0.0 1.0
DAY 84 86.979167 2.0 NaN NaN NaN NaN 105.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.505988 -0.505988 NaN NaN NaN NaN 79.0 1.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 2.0 4.0 2.0 1.0 0.0 2.0 1.0 0.0 0.0 3.0 1.0 0.0 0.0 2.0 0.0 0.0 2.0 2.0 0.0 1.0
PREMATURE DISCONTINUATION VISIT 42.968750 2.0 NaN 1.0 NaN NaN 110.0 0.50 NaN 3.747 3913.0 0.05852 4.0 2602.95 -7.300000 150.64 NaN NaN NaN NaN NaN NaN 0.000000 0.000000 0.267570 0.267570 NaN NaN 79.0 1.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 2.0 4.0 2.0 1.0 0.0 2.0 1.0 0.0 0.0 3.0 1.0 0.0 0.0 2.0 0.0 0.0 2.0 2.0 0.0 1.0
100851 DAY 0 43.229167 3.0 0.0 1.0 1.0 27.3 130.0 NaN NaN NaN 900.0 0.02048 NaN NaN NaN NaN 0.0 169.333333 NaN 3.373333 56.283170 13.978889 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000 64.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 NaN 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
100865 DAY 0 97.395833 2.0 0.0 1.0 0.0 26.7 120.0 NaN NaN NaN NaN NaN NaN NaN -10.066667 94.55 0.0 118.000000 NaN 3.922500 51.075180 11.990000 -0.026738 -0.053476 0.360313 -0.215405 0.020915 -0.166428 82.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 3.0 0.0 2.0 0.0 2.0 1.0 0.0 0.0 2.0 0.0 0.0 2.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
DAY 28 94.791667 2.0 NaN NaN NaN NaN 122.0 0.40 5.9 158.750 1042.0 0.02803 16.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.054945 -0.027473 0.071017 -0.423225 NaN NaN 82.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 3.0 0.0 2.0 0.0 2.0 1.0 0.0 0.0 2.0 0.0 0.0 2.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
DAY 84 100.000000 2.0 NaN NaN NaN NaN 122.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.078125 -0.078125 NaN NaN NaN NaN 82.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 3.0 0.0 2.0 0.0 2.0 1.0 0.0 0.0 2.0 0.0 0.0 2.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
END OF TREATMENT 92.187500 2.0 NaN 1.0 NaN NaN 115.0 0.30 6.3 3.155 1116.0 0.02702 3.0 2227.95 -10.566667 117.64 0.0 113.875000 NaN 3.732500 59.901622 13.242500 0.000000 0.000000 -0.461470 -0.461470 0.000000 0.000000 82.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 3.0 0.0 2.0 0.0 2.0 1.0 0.0 0.0 2.0 0.0 0.0 2.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
100878 DAY 0 80.208333 2.0 0.0 1.0 0.0 28.9 150.0 NaN NaN NaN NaN NaN NaN NaN -7.400000 158.42 92.0 59.125000 NaN 2.458750 75.543139 12.692500 0.123377 0.025974 0.096700 -0.240834 0.059777 0.030475 74.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 3.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0
DAY 28 90.104167 2.0 NaN NaN NaN NaN 171.0 0.50 5.9 16.663 4786.0 0.02222 173.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.121387 -0.086705 -0.160050 -0.307773 NaN NaN 74.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 3.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0
DAY 84 79.166667 2.0 NaN NaN NaN NaN 110.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.039474 0.039474 NaN NaN NaN NaN 74.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 3.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0
END OF TREATMENT 82.291667 2.0 NaN 1.0 NaN NaN 148.0 0.30 5.8 9.992 4020.0 0.02445 185.0 NaN -8.400000 138.06 101.0 64.375000 NaN 2.246250 74.527173 12.258750 0.000000 0.000000 -0.175871 -0.175871 0.000000 0.000000 74.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 3.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0
100882 DAY 0 27.083333 3.0 0.0 1.0 1.0 31.9 127.0 NaN NaN NaN NaN NaN NaN NaN NaN 196.31 0.0 15.750000 NaN 1.182500 69.874665 11.088750 0.057692 1.201923 -0.019476 -0.327202 0.134632 0.329382 80.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 1.0
DAY 28 28.645833 3.0 NaN NaN NaN NaN 100.0 0.10 5.2 13.596 4531.0 0.03152 5.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.763636 1.081818 -0.353123 -0.313838 NaN NaN 80.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 1.0
DAY 84 50.520833 3.0 NaN NaN NaN NaN 120.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.180412 0.180412 NaN NaN NaN NaN 80.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 1.0
END OF TREATMENT 59.635417 3.0 NaN 1.0 NaN NaN 128.0 0.30 5.9 13.582 2931.0 0.03449 3.0 2223.14 -6.400000 133.78 0.0 23.333333 NaN 1.446667 70.510752 11.823333 0.000000 0.000000 0.060730 0.060730 0.000000 0.000000 80.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 1.0
100883 DAY 0 35.156250 3.0 1.0 1.0 1.0 37.3 135.0 NaN NaN NaN NaN NaN NaN NaN -18.600000 NaN 70.0 113.125000 NaN 1.125000 69.204283 11.830000 -0.422222 -0.303704 1.224422 0.478548 0.056291 0.142208 58.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
DAY 28 20.312500 2.0 NaN NaN NaN NaN 140.0 0.50 5.5 8.029 2022.0 0.03318 3.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.128205 0.205128 -0.060336 -0.335312 NaN NaN 58.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
DAY 84 17.708333 2.0 NaN NaN NaN NaN 130.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.382353 0.382353 NaN NaN NaN NaN 58.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
END OF TREATMENT 24.479167 3.0 NaN 1.0 NaN NaN 120.0 0.50 5.9 NaN 1900.0 0.03946 427.0 NaN -12.900000 NaN 73.0 104.500000 NaN 0.807500 67.872046 13.837500 0.000000 0.000000 -0.292632 -0.292632 0.000000 0.000000 58.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
100885 DAY 0 75.000000 3.0 1.0 1.0 1.0 26.0 107.0 NaN NaN NaN NaN NaN NaN NaN -8.400000 139.38 0.0 83.250000 NaN 3.285000 33.186843 12.712500 0.041667 -0.218750 -0.372600 0.339408 0.007409 0.007409 62.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 2.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0
DAY 28 78.125000 2.0 NaN NaN NaN NaN 105.0 0.10 5.9 2.195 1928.0 0.04316 19.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.013333 -0.250000 1.490664 1.134855 NaN NaN 62.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 2.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0
DAY 84 79.166667 2.0 NaN NaN NaN NaN 96.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.259868 -0.259868 NaN NaN NaN NaN 62.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 2.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0
END OF TREATMENT 58.593750 2.0 NaN 1.0 NaN NaN 116.0 0.30 6.1 10.366 4802.0 0.04647 265.0 1760.03 -6.600000 148.98 NaN NaN NaN NaN NaN NaN 0.000000 0.000000 -0.142857 -0.142857 NaN NaN 62.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 2.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0
100926 DAY 0 68.229167 2.0 1.0 1.0 0.0 24.4 104.0 NaN NaN NaN NaN NaN NaN NaN -5.000000 99.57 0.0 10.375000 NaN 2.347500 69.027443 11.457500 0.206107 0.053435 2.500497 0.400199 0.000000 0.000000 78.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 2.0 1.0 1.0 1.0 0.0 0.0 2.0 1.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 1.0
DAY 28 82.291667 2.0 NaN NaN NaN NaN 96.0 0.20 6.6 11.706 3525.0 0.68760 12.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.126582 -0.126582 -0.600000 -0.600000 NaN NaN 78.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 2.0 1.0 1.0 1.0 0.0 0.0 2.0 1.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 1.0
PREMATURE DISCONTINUATION VISIT 71.875000 2.0 NaN 1.0 NaN NaN 117.0 0.70 6.4 46.502 1410.0 0.02637 25.0 2552.80 NaN 111.85 NaN NaN NaN NaN NaN NaN 0.000000 0.000000 0.000000 0.000000 NaN NaN 78.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 2.0 1.0 1.0 1.0 0.0 0.0 2.0 1.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 1.0
100971 DAY 0 62.760417 2.0 0.0 0.0 1.0 25.4 111.0 NaN NaN NaN NaN NaN NaN 1050.78 NaN 105.56 67.0 69.888889 NaN 1.368889 70.186462 14.782222 0.203320 0.327801 -0.015716 -0.304890 -0.043954 0.075853 73.0 1.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 3.0 1.0 0.0 0.0 0.0 0.0 0.0 2.0 2.0 0.0 0.0
DAY 28 75.520833 2.0 NaN NaN NaN NaN 121.0 0.40 6.7 26.046 10647.0 0.03548 4.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.075862 0.103448 -0.168404 -0.293792 NaN NaN 73.0 1.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 3.0 1.0 0.0 0.0 0.0 0.0 0.0 2.0 2.0 0.0 0.0
DAY 84 81.250000 2.0 NaN NaN NaN NaN 113.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.025641 0.025641 NaN NaN NaN NaN 73.0 1.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 3.0 1.0 0.0 0.0 0.0 0.0 0.0 2.0 2.0 0.0 0.0
END OF TREATMENT 83.333333 2.0 NaN 0.0 NaN NaN 103.0 0.50 6.9 23.161 8854.0 NaN 7.0 NaN -2.300000 96.62 55.0 67.666667 NaN 1.030000 64.300893 13.860000 0.000000 0.000000 -0.150779 -0.150779 0.000000 0.000000 73.0 1.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 3.0 1.0 0.0 0.0 0.0 0.0 0.0 2.0 2.0 0.0 0.0
100978 DAY 0 68.489583 2.0 1.0 1.0 1.0 28.0 130.0 NaN NaN NaN NaN NaN NaN NaN -9.800000 94.10 0.0 87.000000 NaN 2.045000 56.786402 11.207143 0.000000 -0.159696 -0.598086 -0.619617 -0.025268 -0.041011 62.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 1.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
DAY 28 68.489583 2.0 NaN NaN NaN NaN 120.0 NaN 9.7 5.249 NaN NaN 172.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.091255 -0.159696 NaN NaN NaN NaN 62.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 1.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
DAY 84 62.239583 2.0 NaN NaN NaN NaN 120.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.075314 -0.075314 NaN NaN NaN NaN 62.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 1.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
END OF TREATMENT 57.552083 2.0 NaN 1.0 NaN NaN 115.0 NaN 8.9 2.197 168.0 NaN 35.0 NaN -13.200000 96.38 0.0 67.000000 NaN 2.300000 60.568888 13.507500 0.000000 0.000000 -0.053571 -0.053571 0.000000 0.000000 62.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 1.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
100979 DAY 0 62.500000 3.0 1.0 1.0 0.0 30.3 91.0 NaN NaN NaN NaN NaN NaN NaN -6.600000 103.71 0.0 102.000000 NaN 3.282500 67.511044 10.772500 0.208333 0.033333 0.160057 -0.469811 0.099503 0.304622 60.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 1.0 1.0
DAY 28 75.520833 3.0 NaN NaN NaN NaN 94.0 0.10 6.5 4.586 3247.0 0.02558 14.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.234483 -0.144828 -0.410533 -0.542963 NaN NaN 60.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 1.0 1.0
DAY 84 57.812500 3.0 NaN NaN NaN NaN 110.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.117117 0.117117 NaN NaN NaN NaN 60.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 1.0 1.0
END OF TREATMENT 64.583333 3.0 NaN 1.0 NaN NaN 105.0 0.05 6.3 7.242 1914.0 0.02271 3.0 1696.95 -7.400000 95.46 0.0 103.600000 NaN 2.880000 67.171252 11.424000 0.000000 0.000000 -0.224660 -0.224660 0.000000 0.000000 60.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 1.0 1.0
101015 DAY 0 44.010417 2.0 1.0 1.0 1.0 25.6 115.0 NaN NaN NaN NaN NaN NaN NaN -7.633333 96.31 0.0 62.125000 NaN 3.877500 65.341427 10.402500 0.284024 0.372781 0.007190 -0.110721 -0.021260 -0.064705 78.0 0.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 1.0 2.0 0.0 0.0 0.0
DAY 28 56.510417 2.0 NaN NaN NaN NaN 110.0 0.20 6.2 6.862 6304.0 0.02634 6.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.096774 0.069124 -0.235247 -0.117069 NaN NaN 78.0 0.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 1.0 2.0 0.0 0.0 0.0
DAY 84 61.979167 2.0 NaN NaN NaN NaN 104.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.025210 -0.025210 NaN NaN NaN NaN 78.0 0.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 1.0 2.0 0.0 0.0 0.0
END OF TREATMENT 60.416667 2.0 NaN 1.0 NaN NaN 120.0 0.50 6.1 6.596 4821.0 0.02664 11.0 1360.20 -6.500000 100.84 0.0 58.500000 NaN 3.087500 67.510502 11.272500 0.000000 0.000000 0.154532 0.154532 0.000000 0.000000 78.0 0.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 1.0 2.0 0.0 0.0 0.0
101070 DAY 0 52.083333 3.0 0.0 1.0 0.0 35.6 117.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 35.500000 NaN 2.605000 60.919823 10.475000 0.295000 0.005000 0.339879 0.108761 -0.025602 -0.030925 78.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 3.0 0.0 0.0 1.0 0.0 0.0 4.0 0.0 0.0 0.0 0.0 0.0 1.0 2.0 0.0 0.0 2.0
DAY 28 67.447917 3.0 NaN NaN NaN NaN 112.0 0.60 8.1 5.993 887.0 0.03207 1.5 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.254826 -0.223938 -0.428410 -0.172492 NaN NaN 78.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 3.0 0.0 0.0 1.0 0.0 0.0 4.0 0.0 0.0 0.0 0.0 0.0 1.0 2.0 0.0 0.0 2.0
DAY 84 50.260417 3.0 NaN NaN NaN NaN 110.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.041451 0.041451 NaN NaN NaN NaN 78.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 3.0 0.0 0.0 1.0 0.0 0.0 4.0 0.0 0.0 0.0 0.0 0.0 1.0 2.0 0.0 0.0 2.0
END OF TREATMENT 52.343750 3.0 NaN 1.0 NaN NaN 103.0 0.80 8.3 6.124 507.0 0.03411 1.5 NaN -7.900000 77.25 0.0 37.000000 NaN 3.057500 57.877783 10.876250 0.000000 0.000000 0.447732 0.447732 0.000000 0.000000 78.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 3.0 0.0 0.0 1.0 0.0 0.0 4.0 0.0 0.0 0.0 0.0 0.0 1.0 2.0 0.0 0.0 2.0
101108 DAY 0 39.062500 3.0 0.0 0.0 0.0 37.0 127.0 NaN NaN NaN NaN NaN NaN NaN -5.766667 103.67 49.0 115.062500 2.000000 2.713750 65.254237 11.376875 0.493333 0.333333 0.261176 0.021176 0.188810 0.062903 67.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 2.0 0.0 2.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 3.0 1.0 2.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 1.0
DAY 28 58.333333 2.0 NaN NaN NaN NaN 115.0 0.50 7.0 42.487 1072.0 0.04812 19.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.330357 -0.107143 -0.044776 -0.190299 NaN NaN 67.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 2.0 0.0 2.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 3.0 1.0 2.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 1.0
DAY 84 39.062500 2.0 NaN NaN NaN NaN 110.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.333333 0.333333 NaN NaN NaN NaN 67.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 2.0 0.0 2.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 3.0 1.0 2.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 1.0
END OF TREATMENT 52.083333 2.0 NaN 0.0 NaN NaN 110.0 0.80 7.2 95.542 1024.0 0.05289 3.0 1079.10 -13.933333 106.77 1.0 74.250000 NaN 3.352500 76.059458 11.231250 0.000000 0.000000 -0.152344 -0.152344 0.000000 0.000000 67.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 2.0 0.0 2.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 3.0 1.0 2.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 1.0
101149 DAY 0 68.229167 2.0 1.0 1.0 1.0 23.6 115.0 NaN NaN NaN NaN NaN NaN NaN NaN 84.53 0.0 146.750000 NaN 3.150000 59.327096 16.452500 0.198473 -0.061069 -0.138098 -0.552390 0.245818 0.251617 58.0 1.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 0.0
DAY 28 81.770833 2.0 NaN NaN NaN NaN 135.0 0.20 5.7 2.402 1785.0 0.01875 22.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.000000 -0.216561 2.695798 -0.480672 NaN NaN 58.0 1.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 0.0
DAY 84 81.770833 2.0 NaN NaN NaN NaN 125.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.216561 -0.216561 NaN NaN NaN NaN 58.0 1.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 0.0
END OF TREATMENT 64.062500 2.0 NaN 1.0 NaN NaN 130.0 1.10 5.5 12.957 6597.0 0.05099 60.0 1907.22 -4.900000 136.72 0.0 102.285714 NaN 3.221429 85.124827 13.384286 0.000000 0.000000 -0.859482 -0.859482 0.000000 0.000000 58.0 1.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 0.0
101154 DAY 0 55.208333 2.0 0.0 1.0 1.0 25.6 115.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 64.250000 NaN 2.300000 56.504031 10.255000 0.216981 0.216981 -0.136306 -0.480255 0.201864 0.201864 77.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
DAY 28 67.187500 2.0 NaN NaN NaN NaN 111.0 0.90 6.6 7.121 1356.0 0.00650 3.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.093023 0.000000 -0.194690 -0.398230 NaN NaN 77.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
DAY 84 60.937500 2.0 NaN NaN NaN NaN 108.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.102564 0.102564 NaN NaN NaN NaN 77.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
END OF TREATMENT 67.187500 2.0 NaN 1.0 NaN NaN 123.0 0.60 6.4 7.436 1092.0 0.00650 4.0 1191.56 -13.100000 84.54 NaN NaN NaN NaN NaN NaN 0.000000 0.000000 -0.252747 -0.252747 NaN NaN 77.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
101160 DAY 0 16.145833 3.0 0.0 1.0 1.0 27.4 106.0 NaN NaN NaN NaN NaN NaN NaN -9.500000 68.30 0.0 73.625000 NaN 2.663750 72.984145 13.648750 0.225806 -0.032258 0.234421 0.356366 -0.095967 -0.112263 63.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 2.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 1.0
DAY 28 19.791667 2.0 NaN NaN NaN NaN 106.0 0.70 5.9 11.165 8736.0 0.06580 150.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.394737 -0.210526 0.049336 0.098787 NaN NaN 63.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 2.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 1.0
DAY 84 11.979167 3.0 NaN NaN NaN NaN 111.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.304348 0.304348 NaN NaN NaN NaN 63.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 2.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 1.0
END OF TREATMENT 15.625000 3.0 NaN 1.0 NaN NaN 120.0 0.90 6.6 7.924 9167.0 0.04498 126.0 1926.35 -8.700000 58.15 0.0 82.000000 NaN 1.791250 69.582775 14.626250 0.000000 0.000000 0.047126 0.047126 0.000000 0.000000 63.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 2.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 1.0
101175 DAY 0 77.604167 2.0 1.0 1.0 0.0 29.8 115.0 NaN NaN NaN 8363.0 NaN NaN 1222.97 -7.866667 151.36 118.0 128.875000 NaN 1.397500 70.097463 11.556250 -0.050336 -0.214765 0.000000 0.000000 -0.303828 -0.303828 79.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
DAY 28 73.697917 2.0 NaN NaN NaN NaN 114.0 NaN 6.3 1.506 NaN NaN 25.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.173145 -0.173145 NaN NaN NaN NaN 79.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
DAY 84 60.937500 2.0 NaN NaN NaN NaN 135.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.000000 0.000000 NaN NaN NaN NaN 79.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
101188 DAY 0 92.708333 2.0 1.0 1.0 0.0 23.0 95.0 NaN NaN NaN NaN NaN NaN 749.47 -7.633333 66.17 0.0 84.250000 NaN 1.362500 61.604989 9.591250 0.033708 0.056180 -0.432211 -0.686988 0.357191 -0.042339 74.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 0.0
DAY 28 95.833333 2.0 NaN NaN NaN NaN 107.0 0.05 6.6 275.480 624.0 0.01726 4.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.021739 0.021739 -0.604167 -0.448718 NaN NaN 74.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 0.0
DAY 84 97.916667 1.0 NaN NaN NaN NaN 105.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.000000 0.000000 NaN NaN NaN NaN 74.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 0.0
END OF TREATMENT 97.916667 1.0 NaN 1.0 NaN NaN 120.0 0.05 5.9 NaN 247.0 0.00650 NaN NaN -14.166667 55.84 0.0 100.333333 NaN 2.070000 49.363956 10.595000 0.000000 0.000000 0.392713 0.392713 0.000000 0.000000 74.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 0.0
101221 DAY 0 81.250000 2.0 0.0 0.0 0.0 23.5 96.0 NaN NaN NaN NaN NaN NaN NaN -6.733333 140.94 0.0 120.375000 NaN 4.156250 70.894487 12.693750 0.205128 0.121795 -0.456043 -0.790022 0.252199 0.655233 61.0 1.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0
DAY 28 97.916667 2.0 NaN NaN NaN NaN 102.0 0.20 5.9 NaN 2246.0 0.00650 6.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.101064 -0.069149 -0.796527 -0.613980 NaN NaN 61.0 1.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0
DAY 84 88.020833 2.0 NaN NaN NaN NaN 98.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.035503 0.035503 NaN NaN NaN NaN 61.0 1.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0
END OF TREATMENT 91.145833 2.0 NaN 0.0 NaN NaN 102.0 1.20 5.1 NaN 457.0 0.03632 11.0 1342.38 -13.500000 114.61 0.0 197.250000 NaN 5.077500 61.856785 9.025000 0.000000 0.000000 0.897155 0.897155 0.000000 0.000000 61.0 1.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0
101229 DAY 0 49.739583 3.0 1.0 0.0 1.0 26.0 100.0 NaN NaN NaN NaN NaN NaN NaN NaN 138.48 56.0 133.875000 NaN 0.943750 63.111977 19.281250 0.062827 0.408377 -0.160205 0.079005 -0.233030 -0.312573 67.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 1.0 0.0 1.0 2.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0
DAY 28 52.864583 3.0 NaN NaN NaN NaN 105.0 0.05 6.3 3.777 2296.0 0.02927 4.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.226601 0.325123 0.088850 0.284843 NaN NaN 67.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 1.0 0.0 1.0 2.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0
DAY 84 64.843750 3.0 NaN NaN NaN NaN 110.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.080321 0.080321 NaN NaN NaN NaN 67.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 1.0 0.0 1.0 2.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0
END OF TREATMENT 70.052083 3.0 NaN 0.0 NaN NaN 100.0 0.05 5.8 3.302 2500.0 0.03498 16.0 NaN NaN 129.61 53.0 139.125000 1.000000 1.056250 61.796496 15.866250 0.000000 0.000000 0.180000 0.180000 0.000000 0.000000 67.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 1.0 0.0 1.0 2.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0
101235 DAY 0 80.729167 3.0 1.0 0.0 0.0 24.8 124.0 NaN NaN NaN NaN NaN NaN 2058.33 -12.433333 106.98 0.0 117.375000 1.000000 3.963750 53.994962 11.058750 -0.106452 -0.106452 -0.243047 2.419363 0.746251 0.746251 78.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 1.0 1.0
DAY 28 72.135417 3.0 NaN NaN NaN NaN 102.0 0.60 5.6 7.442 3239.0 0.02302 13.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.000000 0.000000 3.517275 3.517275 NaN NaN 78.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 1.0 1.0
101240 DAY 0 63.281250 2.0 1.0 1.0 1.0 20.6 114.0 NaN NaN NaN NaN NaN NaN 941.68 -8.900000 73.28 0.0 88.285714 NaN 1.543333 64.666859 10.833333 0.251029 0.106996 -0.150240 -0.430889 0.072672 0.072672 48.0 1.0 1.0 1.0 0.0 0.0 0.0 1.0 0.0 2.0 0.0 1.0 0.0 2.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
DAY 28 79.166667 2.0 NaN NaN NaN NaN 110.0 0.60 5.2 12.365 2828.0 0.04864 5.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.072368 -0.115132 -0.245403 -0.330269 NaN NaN 48.0 1.0 1.0 1.0 0.0 0.0 0.0 1.0 0.0 2.0 0.0 1.0 0.0 2.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
DAY 84 73.437500 2.0 NaN NaN NaN NaN 111.0 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN -0.046099 -0.046099 NaN NaN NaN NaN 48.0 1.0 1.0 1.0 0.0 0.0 0.0 1.0 0.0 2.0 0.0 1.0 0.0 2.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
END OF TREATMENT 70.052083 2.0 NaN 1.0 NaN NaN 108.0 NaN NaN NaN 2134.0 0.02667 3.0 1166.79 -7.200000 76.38 0.0 116.250000 NaN 1.766250 62.902364 9.773750 0.000000 0.000000 -0.112465 -0.112465 0.000000 0.000000 48.0 1.0 1.0 1.0 0.0 0.0 0.0 1.0 0.0 2.0 0.0 1.0 0.0 2.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
101261 DAY 0 80.468750 3.0 1.0 0.0 0.0 24.8 110.0 NaN NaN NaN NaN NaN NaN NaN -5.400000 91.51 9.0 43.571429 NaN 3.324286 100.056572 9.201429 0.022654 -0.203883 0.941887 -0.584721 0.076068 -0.187392 70.0 1.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
201531 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 4.0 73.000000 NaN 2.572500 63.808467 10.720000 NaN NaN NaN NaN NaN NaN 87.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 2.0 0.0 2.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0
201575 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 4.0 105.125000 NaN 3.015000 73.482936 10.495625 NaN NaN NaN NaN NaN NaN 81.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
201610 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 143.375000 NaN 2.633750 64.550099 12.589375 NaN NaN NaN NaN NaN NaN 83.0 1.0 1.0 1.0 0.0 1.0 1.0 0.0 0.0 2.0 0.0 2.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 2.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 1.0
201623 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 55.000000 NaN 5.241250 86.827649 12.331250 NaN NaN NaN NaN NaN NaN 67.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 1.0 0.0 1.0 1.0
201658 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 90.444444 NaN 3.592778 60.727427 9.982222 NaN NaN NaN NaN NaN NaN 63.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 1.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
201689 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 17.0 201.833333 NaN 5.017500 72.451549 13.274167 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
201759 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 200.375000 NaN 2.664375 56.203520 10.832500 NaN NaN NaN NaN NaN NaN 91.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 2.0
201810 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 98.0 103.625000 NaN 4.040000 67.719740 10.178125 NaN NaN NaN NaN NaN NaN 56.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
201834 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 95.125000 NaN 2.178750 65.705217 12.702500 NaN NaN NaN NaN NaN NaN 67.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 0.0 2.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
201975 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 68.777778 NaN 1.566875 66.101606 12.405556 NaN NaN NaN NaN NaN NaN 74.0 0.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 NaN 0.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 4.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
202050 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 121.375000 NaN 1.988750 1.249002 11.768125 NaN NaN NaN NaN NaN NaN 66.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 1.0 1.0 0.0 0.0 2.0 2.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 3.0 3.0
202065 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 64.0 96.000000 3.500000 3.059375 52.540712 10.615000 NaN NaN NaN NaN NaN NaN 84.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 1.0 2.0
202092 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 33.0 95.142857 NaN 3.834286 90.382827 12.067857 NaN NaN NaN NaN NaN NaN 75.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 1.0 2.0 1.0 0.0 0.0 3.0 1.0 1.0 0.0 3.0 1.0 0.0 0.0 0.0 0.0 1.0 5.0 0.0 0.0 2.0
202171 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 79.444444 NaN 1.361875 66.791404 10.045625 NaN NaN NaN NaN NaN NaN 85.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 0.0 0.0 0.0 3.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 2.0 2.0
202178 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 35.0 97.833333 NaN 3.399167 50.348561 8.975833 NaN NaN NaN NaN NaN NaN 81.0 0.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 4.0 1.0 0.0 0.0 3.0 1.0 0.0 0.0 0.0 0.0 1.0 4.0 0.0 1.0 2.0
202218 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 28.0 167.333333 1.000000 2.621667 64.622236 14.955000 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
202339 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 63.333333 NaN 3.347222 66.264703 9.472778 NaN NaN NaN NaN NaN NaN 65.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 NaN 0.0 1.0 2.0 1.0 0.0 0.0 1.0 1.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 2.0 1.0
202344 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 56.0 120.625000 NaN 2.105000 72.855478 13.347500 NaN NaN NaN NaN NaN NaN 69.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 3.0 4.0 1.0 0.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 3.0
202438 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 107.400000 NaN 2.812000 56.207069 9.925000 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
202485 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 69.750000 NaN 3.468125 67.867466 11.826250 NaN NaN NaN NaN NaN NaN 68.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 1.0 1.0
202486 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 81.250000 NaN 2.486875 65.176829 13.131875 NaN NaN NaN NaN NaN NaN 73.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0
202511 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 84.0 178.250000 2.500000 1.107500 65.929875 11.996250 NaN NaN NaN NaN NaN NaN 75.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 1.0 1.0
202542 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 118.625000 NaN 2.669375 76.233422 11.640000 NaN NaN NaN NaN NaN NaN 68.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 1.0 0.0 2.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0
202557 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 82.000000 NaN 1.073750 51.201824 10.231875 NaN NaN NaN NaN NaN NaN 85.0 0.0 0.0 0.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 1.0 0.0 1.0 1.0 0.0 0.0 2.0 0.0 0.0 1.0 1.0 0.0 0.0 2.0 0.0 0.0 1.0
202575 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 87.500000 NaN 2.725625 78.558903 10.938750 NaN NaN NaN NaN NaN NaN 76.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 2.0 2.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
202700 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 57.0 114.166667 2.333333 3.595000 71.710267 16.480833 NaN NaN NaN NaN NaN NaN 80.0 1.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 1.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 1.0 1.0
202747 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 69.0 92.666667 1.000000 4.015000 62.271798 12.695556 NaN NaN NaN NaN NaN NaN 77.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 2.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
202780 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 76.625000 NaN 3.874375 59.632210 9.364375 NaN NaN NaN NaN NaN NaN 70.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 0.0 3.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0 1.0
202839 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 3.0 140.625000 NaN 2.414375 66.107928 10.828750 NaN NaN NaN NaN NaN NaN 67.0 0.0 0.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 3.0 1.0
202851 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 22.0 183.250000 1.000000 1.367500 85.855183 10.505000 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
202860 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 41.0 145.875000 1.666667 0.844375 51.128630 11.583125 NaN NaN NaN NaN NaN NaN 81.0 1.0 1.0 0.0 0.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 2.0 0.0 0.0 2.0 0.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 0.0 2.0 0.0 1.0 1.0
202931 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 147.500000 NaN 3.323750 72.659089 10.485000 NaN NaN NaN NaN NaN NaN 76.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 2.0 1.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
202957 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 30.0 130.000000 3.000000 2.395000 54.422972 10.945625 NaN NaN NaN NaN NaN NaN 86.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 1.0 0.0 0.0 1.0 1.0 0.0 0.0 1.0 1.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 2.0
202973 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 133.750000 NaN 4.106250 63.537050 10.278750 NaN NaN NaN NaN NaN NaN 62.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 3.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
203035 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 211.000000 NaN 3.043125 48.735757 9.931875 NaN NaN NaN NaN NaN NaN 68.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0
203050 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 146.444444 NaN 1.812222 63.776630 12.651667 NaN NaN NaN NaN NaN NaN 87.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 2.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
203089 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 73.0 83.625000 NaN 1.538125 71.087666 8.148750 NaN NaN NaN NaN NaN NaN 76.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
203102 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 12.0 180.000000 NaN 2.763333 54.923278 7.523333 NaN NaN NaN NaN NaN NaN 69.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
203141 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 29.375000 NaN 2.496250 60.076485 12.023125 NaN NaN NaN NaN NaN NaN 85.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 2.0 0.0 0.0 2.0
203145 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 44.0 90.500000 NaN 1.973750 70.227275 12.971875 NaN NaN NaN NaN NaN NaN 78.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
203159 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 1.0 192.500000 9.666667 3.678750 80.878373 12.255000 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
203278 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 147.888889 NaN 1.494375 63.424159 12.357222 NaN NaN NaN NaN NaN NaN 84.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 2.0 0.0 0.0 0.0 1.0 0.0 1.0 2.0 0.0 1.0 1.0
203300 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 129.0 70.375000 NaN 1.877500 78.727610 7.962778 NaN NaN NaN NaN NaN NaN 80.0 0.0 1.0 0.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 3.0 2.0 0.0 0.0 0.0 0.0 1.0 2.0 0.0 0.0 1.0
203317 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 52.0 102.125000 NaN 3.313125 66.677434 17.889375 NaN NaN NaN NaN NaN NaN 66.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0
203321 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 102.250000 NaN 4.241250 33.079046 14.108750 NaN NaN NaN NaN NaN NaN 66.0 0.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 2.0 1.0 0.0 1.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0
203323 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 47.0 88.375000 NaN 2.908125 78.146078 14.618125 NaN NaN NaN NaN NaN NaN 85.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 3.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 2.0
203377 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 85.0 112.625000 NaN 1.121250 84.395034 12.418750 NaN NaN NaN NaN NaN NaN 93.0 0.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
203378 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 34.0 78.875000 NaN 2.999375 99.882353 12.820625 NaN NaN NaN NaN NaN NaN 74.0 0.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 1.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
203412 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 104.125000 NaN 2.423750 73.392692 11.522500 NaN NaN NaN NaN NaN NaN 64.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0 1.0
203475 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 74.0 113.625000 7.250000 2.270625 68.097746 9.225000 NaN NaN NaN NaN NaN NaN 75.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 1.0
203479 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 94.750000 NaN 2.462500 64.035093 12.004375 NaN NaN NaN NaN NaN NaN 71.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 2.0 1.0 0.0 0.0 3.0 1.0 0.0 0.0 2.0 0.0 1.0 3.0 0.0 0.0 1.0
203490 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 5.0 116.500000 NaN 2.663750 66.342436 12.310625 NaN NaN NaN NaN NaN NaN 82.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 1.0 0.0 0.0 2.0 1.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 1.0 1.0
203506 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 37.0 48.555556 NaN 3.313333 94.824067 8.471111 NaN NaN NaN NaN NaN NaN 79.0 0.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 1.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 2.0 1.0
203515 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 103.200000 NaN 3.520000 79.051990 9.002000 NaN NaN NaN NaN NaN NaN 47.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 1.0 1.0
203519 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 102.000000 NaN 2.045625 59.206255 11.921875 NaN NaN NaN NaN NaN NaN 67.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 1.0 1.0 1.0 0.0 3.0 0.0 0.0 2.0 0.0 0.0 0.0 2.0 0.0 1.0 1.0
203554 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 119.000000 NaN 2.163125 52.568862 13.309375 NaN NaN NaN NaN NaN NaN 77.0 1.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 3.0
203600 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 71.625000 NaN 1.702500 66.848729 13.871250 NaN NaN NaN NaN NaN NaN 76.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 0.0 2.0 0.0 2.0 0.0 0.0 2.0 0.0 0.0 3.0 0.0 0.0 0.0 2.0 0.0 0.0 4.0 0.0 0.0 3.0
203661 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 132.375000 NaN 1.963125 45.590614 12.757500 NaN NaN NaN NaN NaN NaN 73.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 2.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 3.0 1.0 0.0 1.0 1.0 0.0 1.0 1.0 0.0 0.0 1.0
203707 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 56.800000 NaN 3.672500 55.585354 14.100625 NaN NaN NaN NaN NaN NaN 74.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
203721 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 129.000000 NaN 5.047500 59.195276 11.080625 NaN NaN NaN NaN NaN NaN 54.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
203731 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 4.0 83.888889 NaN 4.871250 69.980240 11.638889 NaN NaN NaN NaN NaN NaN 76.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 0.0 0.0 2.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0
203732 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 98.0 137.125000 4.428571 2.145000 67.050336 13.481250 NaN NaN NaN NaN NaN NaN 84.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 2.0 1.0 1.0 0.0 0.0 0.0 2.0 1.0 0.0 1.0 3.0 2.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 2.0 2.0
203740 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 4.0 133.625000 NaN 2.537500 75.932355 10.580000 NaN NaN NaN NaN NaN NaN 64.0 0.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 1.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
203778 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 50.0 123.500000 2.000000 2.416875 78.660283 10.816875 NaN NaN NaN NaN NaN NaN 81.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 0.0 0.0 0.0 2.0 0.0 2.0 3.0 1.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 2.0
203831 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 72.125000 NaN 2.066875 64.047115 11.185000 NaN NaN NaN NaN NaN NaN 72.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 2.0 1.0 0.0 0.0 1.0 1.0 0.0 3.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0
203871 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 78.000000 NaN 5.190000 65.489815 28.995000 NaN NaN NaN NaN NaN NaN 74.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 2.0 1.0 0.0 0.0 2.0 1.0 0.0 1.0 0.0 0.0 1.0 1.0 0.0 0.0 2.0
203881 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 152.500000 NaN 3.842500 53.865629 9.081875 NaN NaN NaN NaN NaN NaN 80.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 1.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 1.0 0.0 0.0 0.0 0.0 1.0 2.0 0.0 0.0 1.0
204029 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 50.0 83.875000 NaN 1.872500 78.568838 10.620000 NaN NaN NaN NaN NaN NaN 75.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
204038 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 100.375000 NaN 2.856875 76.874676 11.306250 NaN NaN NaN NaN NaN NaN 68.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 2.0 2.0 0.0 0.0 0.0 1.0 0.0 0.0 3.0 1.0 0.0 1.0 2.0 0.0 0.0 2.0 1.0 2.0 2.0
204066 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 69.125000 NaN 2.245625 56.963485 11.167500 NaN NaN NaN NaN NaN NaN 78.0 1.0 1.0 1.0 0.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
204075 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 108.500000 NaN 2.762500 58.160089 11.393125 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
204084 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 26.625000 NaN 1.615625 64.774246 12.340000 NaN NaN NaN NaN NaN NaN 60.0 0.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
204102 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 186.250000 NaN 2.112500 61.298066 9.738125 NaN NaN NaN NaN NaN NaN 82.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 1.0 0.0 2.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 2.0 2.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 1.0 1.0
204188 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 46.0 110.000000 1.500000 2.030000 70.957166 13.156000 NaN NaN NaN NaN NaN NaN 76.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 2.0 2.0 0.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 2.0
204210 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 71.500000 NaN 3.066875 70.057613 9.990625 NaN NaN NaN NaN NaN NaN 70.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 2.0 0.0 1.0 1.0 1.0 0.0 2.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
204215 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 126.375000 NaN 4.064375 76.722854 11.580625 NaN NaN NaN NaN NaN NaN 67.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 2.0 0.0 1.0 0.0 3.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
204244 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 15.0 219.750000 NaN 2.766250 56.175811 12.681250 NaN NaN NaN NaN NaN NaN 66.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 2.0 0.0 2.0 1.0 0.0 0.0 2.0 1.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 1.0 1.0
204277 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 119.875000 NaN 3.484375 64.079707 12.320625 NaN NaN NaN NaN NaN NaN 69.0 0.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 2.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 1.0 2.0 0.0 0.0 1.0
204285 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 73.125000 NaN 2.173750 64.490882 13.741667 NaN NaN NaN NaN NaN NaN 62.0 1.0 1.0 1.0 0.0 0.0 0.0 1.0 0.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
204318 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 100.500000 NaN 3.636250 76.573950 10.461875 NaN NaN NaN NaN NaN NaN 80.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 2.0 0.0 1.0 0.0 1.0 0.0 2.0 1.0 0.0 0.0 5.0 5.0 0.0 0.0 2.0 0.0 1.0 1.0 0.0 2.0 3.0
204364 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 100.000000 NaN 0.937222 55.864205 11.546250 NaN NaN NaN NaN NaN NaN 51.0 0.0 0.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 3.0 1.0
204385 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 87.555556 NaN 1.893750 60.863508 10.767222 NaN NaN NaN NaN NaN NaN 67.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
204458 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 103.0 83.375000 NaN 3.388125 93.663421 13.127500 NaN NaN NaN NaN NaN NaN 85.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 2.0 0.0 1.0 0.0 0.0 1.0 1.0 0.0 0.0 1.0
204477 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 41.555556 NaN 1.703333 85.471275 8.686667 NaN NaN NaN NaN NaN NaN 75.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 1.0 0.0 1.0
204499 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 117.000000 NaN 2.461875 70.637121 10.003750 NaN NaN NaN NaN NaN NaN 86.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 3.0 1.0 0.0 1.0 0.0 0.0 0.0 2.0 0.0 0.0 2.0
204516 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 77.625000 NaN 4.499375 58.909414 10.946250 NaN NaN NaN NaN NaN NaN 72.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 1.0 1.0 0.0 0.0 1.0
204541 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 125.750000 NaN 1.782500 69.008965 10.519375 NaN NaN NaN NaN NaN NaN 79.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 0.0 2.0 0.0 2.0 0.0 2.0 1.0 0.0 0.0 3.0 2.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 1.0
204562 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 147.000000 NaN 6.037500 43.057616 10.867500 NaN NaN NaN NaN NaN NaN 63.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 2.0 0.0 2.0 0.0 0.0 1.0 1.0 1.0 0.0 0.0 2.0 2.0 0.0 0.0 0.0 0.0 1.0 1.0 1.0 0.0 1.0
204676 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 6.0 49.000000 NaN 2.927500 79.295904 11.410000 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
204728 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 10.0 199.750000 1.000000 3.215000 50.434188 12.756875 NaN NaN NaN NaN NaN NaN 71.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 2.0 0.0 1.0 1.0 0.0 0.0 2.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0 1.0
204729 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 138.600000 NaN 2.297000 69.787711 9.146000 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
204767 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 56.0 107.571429 1.000000 1.731429 75.134939 27.971429 NaN NaN NaN NaN NaN NaN 72.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 1.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 1.0 1.0
204780 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 55.0 140.750000 1.000000 2.765000 69.984091 9.967500 NaN NaN NaN NaN NaN NaN 55.0 0.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
204813 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 56.0 86.222222 NaN 2.271667 72.571243 10.802222 NaN NaN NaN NaN NaN NaN 76.0 1.0 1.0 0.0 0.0 1.0 1.0 0.0 1.0 2.0 0.0 2.0 0.0 1.0 0.0 0.0 1.0 1.0 1.0 2.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 1.0 0.0 1.0
204825 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 103.625000 NaN 2.102500 60.159624 11.202500 NaN NaN NaN NaN NaN NaN 90.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 2.0
204919 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 72.125000 NaN 4.513125 82.947970 11.062500 NaN NaN NaN NaN NaN NaN 63.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 3.0 1.0 1.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 1.0
204932 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 64.0 72.625000 2.000000 1.251875 67.732843 13.311875 NaN NaN NaN NaN NaN NaN 68.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 2.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 1.0 1.0
204978 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 1.0 140.111111 NaN 2.032222 69.660426 11.338889 NaN NaN NaN NaN NaN NaN 79.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 2.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0
204987 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 36.0 197.125000 5.250000 2.076875 48.526324 11.141250 NaN NaN NaN NaN NaN NaN 79.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 2.0 1.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 1.0 1.0
205008 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 196.875000 NaN 1.820625 57.239911 11.385625 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
205034 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 83.0 136.000000 3.142857 2.608125 66.569263 14.367500 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
205059 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 1.0 125.125000 NaN 2.308750 74.162074 12.428750 NaN NaN NaN NaN NaN NaN 67.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
205100 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 101.250000 NaN 3.360625 76.361284 11.033750 NaN NaN NaN NaN NaN NaN 48.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 2.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 2.0 1.0
205102 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 204.111111 NaN 2.202222 46.694501 13.222222 NaN NaN NaN NaN NaN NaN 66.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 0.0 0.0 2.0 1.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 3.0 1.0
205135 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 46.0 117.875000 NaN 4.275625 79.051897 11.345625 NaN NaN NaN NaN NaN NaN 72.0 1.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 2.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
205179 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 58.0 105.125000 NaN 3.144375 79.146706 9.338750 NaN NaN NaN NaN NaN NaN 78.0 0.0 1.0 1.0 0.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 3.0 0.0 0.0 2.0 1.0 0.0 0.0 5.0 0.0 0.0 0.0 2.0 0.0 0.0 2.0 0.0 1.0 1.0
205205 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 109.285714 NaN 2.654286 72.036847 14.536429 NaN NaN NaN NaN NaN NaN 71.0 1.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 1.0 0.0 1.0
205209 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 100.666667 NaN 3.855000 52.435120 9.473333 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
205236 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 96.000000 NaN 3.856000 69.998093 10.716000 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
205275 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 98.888889 NaN 1.342778 71.829051 10.655000 NaN NaN NaN NaN NaN NaN 85.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 1.0 2.0 0.0 2.0 0.0 1.0 1.0 0.0 0.0 5.0 2.0 0.0 0.0 1.0 0.0 0.0 1.0 1.0 0.0 3.0
205301 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 37.0 42.444444 NaN 1.575625 81.191478 11.782500 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
205341 END OF TREATMENT NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 73.666667 NaN 2.153333 73.520854 11.911667 NaN NaN NaN NaN 0.000000 0.000000 71.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 3.0 1.0 2.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 72.750000 NaN 3.211250 70.751270 10.275000 NaN NaN NaN NaN NaN NaN 71.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 3.0 1.0 2.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
205347 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 152.375000 NaN 2.583125 55.429065 14.185625 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
205349 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 47.750000 NaN 3.243750 58.864066 8.626250 NaN NaN NaN NaN NaN NaN 81.0 1.0 1.0 0.0 0.0 1.0 1.0 0.0 1.0 1.0 0.0 2.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
205364 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 95.500000 NaN 3.138125 50.075278 8.334375 NaN NaN NaN NaN NaN NaN 85.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 1.0 2.0 0.0 0.0 1.0 2.0 1.0 0.0 0.0 6.0 2.0 1.0 1.0 0.0 0.0 0.0 3.0 0.0 2.0 2.0
205366 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 44.0 83.625000 NaN 2.622500 72.825738 10.418125 NaN NaN NaN NaN NaN NaN 71.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 2.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 1.0 1.0
205440 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 126.000000 NaN 2.683125 70.002913 14.146875 NaN NaN NaN NaN NaN NaN 78.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 2.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0
205462 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 85.0 148.125000 1.000000 2.119375 56.514506 10.300625 NaN NaN NaN NaN NaN NaN 62.0 0.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 2.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 3.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 1.0 1.0
205463 END OF TREATMENT NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 89.750000 NaN 2.000000 64.059879 10.790000 NaN NaN NaN NaN 0.000000 0.000000 79.0 0.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 1.0 0.0 2.0 2.0 0.0 0.0 2.0 1.0 0.0 0.0 3.0 1.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 2.0
RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 4.0 113.125000 NaN 2.183750 62.108387 10.786875 NaN NaN NaN NaN NaN NaN 79.0 0.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 1.0 0.0 2.0 2.0 0.0 0.0 2.0 1.0 0.0 0.0 3.0 1.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 2.0
205499 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 140.875000 NaN 4.593125 73.614736 11.322500 NaN NaN NaN NaN NaN NaN 63.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 1.0 2.0
205507 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 97.625000 NaN 2.177500 65.457823 9.800000 NaN NaN NaN NaN NaN NaN 72.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
205511 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 96.600000 NaN 2.272000 64.840552 9.421000 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
205615 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 90.0 84.750000 NaN 2.137500 84.316105 10.874375 NaN NaN NaN NaN NaN NaN 70.0 0.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
205627 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 153.500000 NaN 1.965000 81.018384 11.805000 NaN NaN NaN NaN NaN NaN 71.0 0.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 1.0 1.0
205744 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 127.250000 NaN 3.618125 51.747786 10.533125 NaN NaN NaN NaN NaN NaN 80.0 1.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
205754 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 54.0 97.750000 NaN 2.071875 65.405603 13.405000 NaN NaN NaN NaN NaN NaN 80.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 2.0 0.0 0.0 1.0 1.0 0.0 0.0 1.0 1.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
205831 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 89.375000 NaN 1.851875 62.118296 13.136250 NaN NaN NaN NaN NaN NaN 65.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 1.0
205884 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 150.333333 NaN 1.937222 52.784177 13.182222 NaN NaN NaN NaN NaN NaN 63.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 1.0 1.0
205904 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 146.875000 NaN 4.380000 60.760825 8.705000 NaN NaN NaN NaN NaN NaN 47.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 1.0 0.0 2.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0 2.0 0.0 1.0 2.0 0.0 0.0 1.0 1.0 0.0 0.0 1.0
205990 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 76.111111 NaN 3.244375 83.232095 10.245556 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
206018 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 69.250000 NaN 3.133750 69.790232 10.920625 NaN NaN NaN NaN NaN NaN 73.0 0.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 4.0 1.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 1.0
206026 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 79.500000 NaN 3.045000 63.074682 10.050000 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
206051 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 130.750000 NaN 3.417500 61.210261 12.302500 NaN NaN NaN NaN NaN NaN 70.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
206074 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 197.125000 NaN 2.510625 62.384035 10.870000 NaN NaN NaN NaN NaN NaN 79.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 2.0 0.0 1.0 0.0 0.0 2.0 2.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 2.0 1.0 0.0 0.0 1.0
206075 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 16.0 137.750000 NaN 2.540000 46.089928 14.378125 NaN NaN NaN NaN NaN NaN 85.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 2.0 0.0 2.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0
206101 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 37.0 68.750000 NaN 1.132500 79.071577 16.281250 NaN NaN NaN NaN NaN NaN 81.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 1.0 1.0
206110 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 153.000000 NaN 2.937857 68.921599 11.995000 NaN NaN NaN NaN NaN NaN 59.0 0.0 1.0 1.0 0.0 0.0 0.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0 1.0
206118 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 69.111111 NaN 3.078125 64.230287 6.299444 NaN NaN NaN NaN NaN NaN 74.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 2.0 0.0 3.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 3.0
206195 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 85.0 155.375000 NaN 2.421250 75.113985 9.718125 NaN NaN NaN NaN NaN NaN 68.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 2.0 0.0 1.0 0.0 2.0 0.0 1.0 1.0 0.0 0.0 4.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
206241 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 12.0 108.250000 NaN 1.071875 57.630521 13.312500 NaN NaN NaN NaN NaN NaN 80.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 0.0 2.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
206278 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 53.0 93.375000 NaN 2.006875 72.215739 10.779375 NaN NaN NaN NaN NaN NaN 64.0 0.0 1.0 0.0 0.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 0.0 2.0 1.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 2.0 1.0
206282 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 195.750000 NaN 3.331250 58.297234 9.438750 NaN NaN NaN NaN NaN NaN 72.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 3.0 2.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 2.0
206312 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 98.857143 NaN 2.783571 57.295456 8.965714 NaN NaN NaN NaN NaN NaN 60.0 0.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 1.0 0.0 1.0 1.0 0.0 0.0 1.0
206408 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 115.0 214.250000 NaN 3.079375 71.613116 11.372500 NaN NaN NaN NaN NaN NaN 75.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 1.0 2.0 3.0 0.0 0.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0
206411 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 71.000000 NaN 2.205000 62.784882 9.798333 NaN NaN NaN NaN NaN NaN 72.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0 3.0 3.0 0.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 2.0
206525 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 73.125000 NaN 2.199375 57.041498 13.571875 NaN NaN NaN NaN NaN NaN 67.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 2.0 0.0 1.0 2.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 1.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 2.0 1.0
206544 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 9.0 129.500000 1.000000 2.442500 56.757261 11.933750 NaN NaN NaN NaN NaN NaN 80.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 4.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 1.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
206563 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 11.0 195.500000 23.625000 1.241250 46.583156 11.823750 NaN NaN NaN NaN NaN NaN 80.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 1.0 2.0 0.0 2.0 1.0 0.0 2.0 1.0 0.0 1.0 0.0 0.0 0.0 2.0 0.0 0.0 2.0
206577 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 85.0 154.000000 3.714286 2.562500 71.849869 10.780000 NaN NaN NaN NaN NaN NaN 78.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0
206585 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 66.0 112.875000 NaN 2.236250 60.651160 11.890625 NaN NaN NaN NaN NaN NaN 79.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
206597 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 20.0 96.000000 NaN 3.900000 60.899600 11.875000 NaN NaN NaN NaN NaN NaN 78.0 0.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 2.0 0.0 1.0 0.0 0.0 1.0 1.0 1.0 0.0 0.0 2.0 3.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0 1.0
206600 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 53.000000 NaN 2.554286 72.140072 10.111429 NaN NaN NaN NaN NaN NaN 76.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 2.0 1.0 0.0 1.0 0.0 0.0 3.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0 1.0
206625 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 152.666667 NaN 3.301667 65.714658 12.912500 NaN NaN NaN NaN NaN NaN 59.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 1.0 0.0 1.0
206626 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 21.375000 NaN 1.895000 75.314416 9.993750 NaN NaN NaN NaN NaN NaN 82.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 1.0 2.0 3.0 0.0 0.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 1.0 2.0
206651 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 120.833333 1.000000 1.114167 58.617077 11.058571 NaN NaN NaN NaN NaN NaN 82.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 1.0 1.0 1.0
206698 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 89.500000 NaN 1.819375 42.418029 12.935000 NaN NaN NaN NaN NaN NaN 72.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 0.0 2.0 1.0 2.0 0.0 1.0 1.0 0.0 0.0 4.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 2.0 1.0
206720 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 139.857143 NaN 3.139286 67.123642 12.727143 NaN NaN NaN NaN NaN NaN 83.0 0.0 1.0 1.0 0.0 1.0 1.0 0.0 0.0 1.0 0.0 2.0 0.0 1.0 0.0 1.0 1.0 0.0 0.0 2.0 3.0 0.0 0.0 1.0 0.0 1.0 2.0 0.0 0.0 1.0
206869 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 31.0 108.750000 2.000000 2.283750 62.697928 14.236250 NaN NaN NaN NaN NaN NaN 74.0 0.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 1.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0
206890 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 133.000000 NaN 3.471875 64.061812 10.974375 NaN NaN NaN NaN NaN NaN 84.0 0.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 1.0 1.0 1.0 2.0 0.0 0.0 4.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 1.0 2.0
206921 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 219.000000 NaN 2.348750 33.669330 9.055000 NaN NaN NaN NaN NaN NaN 66.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 1.0 0.0 1.0
206931 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 60.0 127.375000 1.000000 2.140000 92.309146 12.015625 NaN NaN NaN NaN NaN NaN 82.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 3.0 0.0 0.0 1.0
207013 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 105.500000 NaN 3.036250 58.974792 13.918125 NaN NaN NaN NaN NaN NaN 83.0 1.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 0.0 2.0 0.0 0.0 0.0 2.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0
207017 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 148.500000 NaN 2.916875 64.945515 11.800625 NaN NaN NaN NaN NaN NaN 78.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 4.0 1.0 0.0 0.0 0.0 0.0 1.0 3.0 1.0 1.0 2.0
207036 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 131.0 109.250000 1.000000 2.475625 68.792628 8.417500 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
207037 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 81.0 108.000000 NaN 1.236875 69.656052 8.363750 NaN NaN NaN NaN NaN NaN 69.0 0.0 1.0 1.0 0.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 0.0 2.0 0.0 1.0 1.0
207059 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 54.000000 NaN 2.797857 71.953507 11.242857 NaN NaN NaN NaN NaN NaN 79.0 1.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 3.0 0.0 0.0 1.0 0.0 1.0 3.0
207062 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 102.375000 NaN 1.659375 66.732336 12.240625 NaN NaN NaN NaN NaN NaN 81.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 2.0 1.0 0.0 1.0 0.0 1.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 3.0
207107 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 26.0 117.000000 NaN 2.938333 76.470565 12.065000 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
207127 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 58.875000 NaN 3.200625 60.456427 13.986875 NaN NaN NaN NaN NaN NaN 71.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 3.0 0.0 0.0 0.0 1.0 0.0 0.0 4.0 1.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
207139 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 103.555556 NaN 1.776111 73.115755 10.524444 NaN NaN NaN NaN NaN NaN 76.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 2.0 0.0 1.0 0.0 1.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 2.0 0.0 1.0 1.0 0.0 0.0 1.0
207162 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 2.0 85.375000 NaN 2.703125 76.581666 10.981875 NaN NaN NaN NaN NaN NaN 76.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 2.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 1.0 0.0 1.0 1.0 0.0 1.0 1.0 0.0 2.0 2.0
207169 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 93.250000 NaN 3.773125 78.886011 9.427500 NaN NaN NaN NaN NaN NaN 51.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 1.0 2.0
207256 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 71.375000 NaN 0.917500 61.519731 11.854375 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
207270 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 56.750000 NaN 1.750625 58.402991 9.207778 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
207276 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 108.0 199.250000 5.857143 4.019375 68.048167 11.834375 NaN NaN NaN NaN NaN NaN 75.0 0.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0 1.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0
207282 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 98.625000 NaN 2.968750 64.897763 16.378750 NaN NaN NaN NaN NaN NaN 68.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 2.0 0.0 2.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 1.0 1.0
207292 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 116.857143 NaN 2.010625 47.085545 10.713125 NaN NaN NaN NaN NaN NaN 67.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 2.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0 1.0
207329 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 124.750000 NaN 3.770625 58.885514 11.462500 NaN NaN NaN NaN NaN NaN 63.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 2.0 0.0 1.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
207350 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 32.0 98.000000 2.000000 3.012500 72.027950 12.294375 NaN NaN NaN NaN NaN NaN 68.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 1.0 2.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 4.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 1.0 1.0
207373 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 102.625000 NaN 2.771875 59.409395 13.006875 NaN NaN NaN NaN NaN NaN 69.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 3.0 0.0 1.0 2.0
207374 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 149.375000 NaN 1.964375 72.483450 14.601875 NaN NaN NaN NaN NaN NaN 78.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
207475 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 92.500000 NaN 3.806875 62.226991 9.993750 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
207608 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 97.375000 NaN 1.696250 58.698077 12.845625 NaN NaN NaN NaN NaN NaN 85.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 2.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 1.0 1.0 1.0
207620 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 114.250000 NaN 2.192500 76.669965 14.012500 NaN NaN NaN NaN NaN NaN 91.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 1.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
207729 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 114.250000 NaN 4.220625 51.528991 10.812778 NaN NaN NaN NaN NaN NaN 72.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 1.0 0.0 0.0 0.0 2.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 1.0
207746 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 112.625000 NaN 3.136875 59.079318 12.205000 NaN NaN NaN NaN NaN NaN 70.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 1.0 1.0 0.0 3.0 0.0 1.0 1.0 0.0 1.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
207782 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 192.625000 NaN 4.004375 56.714551 10.066250 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
207793 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 119.750000 NaN 1.843125 54.182275 10.702500 NaN NaN NaN NaN NaN NaN 75.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0
207809 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 85.375000 NaN 4.064375 63.070143 9.133750 NaN NaN NaN NaN NaN NaN 70.0 0.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 1.0 1.0
207823 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 95.111111 NaN 3.193889 68.841111 12.277222 NaN NaN NaN NaN NaN NaN 63.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0 1.0
207881 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 48.375000 NaN 1.618125 55.788943 8.171250 NaN NaN NaN NaN NaN NaN 80.0 0.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 2.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0 2.0
207886 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 4.0 100.875000 1.000000 2.391875 66.541511 10.453750 NaN NaN NaN NaN NaN NaN 78.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 1.0 0.0 2.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
207981 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 38.0 91.375000 NaN 2.980000 72.984680 10.370000 NaN NaN NaN NaN NaN NaN 88.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 1.0 2.0 2.0 1.0 0.0 0.0 2.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 1.0 0.0 1.0
208010 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 87.625000 NaN 3.521875 64.556591 12.840000 NaN NaN NaN NaN NaN NaN 70.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 1.0 1.0
208017 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 68.0 123.750000 1.000000 2.658125 59.877431 11.560625 NaN NaN NaN NaN NaN NaN 74.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 2.0 3.0 0.0 0.0 0.0 1.0 0.0 1.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0
208031 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 61.0 116.250000 NaN 1.855000 71.884395 14.694375 NaN NaN NaN NaN NaN NaN 77.0 0.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 0.0 2.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
208068 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 151.375000 NaN 3.231250 65.927961 10.951875 NaN NaN NaN NaN NaN NaN 74.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
208091 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 100.875000 NaN 3.031250 58.573060 14.998125 NaN NaN NaN NaN NaN NaN 78.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 1.0 1.0 0.0 0.0 1.0 2.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 2.0
208106 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 72.400000 NaN 3.009000 77.718883 9.650000 NaN NaN NaN NaN NaN NaN 80.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 0.0 2.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
208117 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 63.0 75.000000 NaN 1.851250 69.599583 14.792500 NaN NaN NaN NaN NaN NaN 80.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 2.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 4.0 0.0 0.0 0.0 0.0 2.0 1.0 0.0 3.0 2.0
208140 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 90.0 160.625000 NaN 2.688750 72.244872 12.600000 NaN NaN NaN NaN NaN NaN 71.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 1.0 0.0 2.0 2.0 0.0 0.0 3.0 0.0 0.0 2.0
208188 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 96.000000 NaN 2.121875 66.874214 13.030000 NaN NaN NaN NaN NaN NaN 77.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 3.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 1.0 1.0
208249 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 151.714286 NaN 4.200000 63.029530 11.703571 NaN NaN NaN NaN NaN NaN 78.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 2.0 2.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 1.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 1.0 1.0
208298 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 125.250000 NaN 2.776875 63.248687 12.266250 NaN NaN NaN NaN NaN NaN 76.0 1.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0
208395 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 45.0 125.142857 NaN 3.955000 74.913198 9.416429 NaN NaN NaN NaN NaN NaN 75.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 2.0 1.0 1.0 0.0 0.0 1.0 2.0 1.0 1.0 0.0 2.0 0.0 0.0 0.0 1.0 0.0 1.0 1.0 0.0 0.0 1.0
208465 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 72.250000 NaN 1.517500 65.543341 12.215625 NaN NaN NaN NaN NaN NaN 80.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 1.0 1.0
208510 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 116.857143 NaN 2.331429 55.633437 10.475714 NaN NaN NaN NaN NaN NaN 85.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 2.0 2.0 0.0 0.0 0.0 1.0 0.0 1.0 3.0 1.0 0.0 0.0 0.0 0.0 1.0 2.0 0.0 0.0 1.0
208525 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 1.0 47.500000 NaN 2.235625 95.599264 14.958750 NaN NaN NaN NaN NaN NaN 71.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 2.0 0.0 2.0 4.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 1.0 2.0
208547 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 57.0 111.750000 1.600000 2.335000 60.206136 14.195000 NaN NaN NaN NaN NaN NaN 72.0 1.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
208562 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 127.250000 NaN 1.528125 55.929958 10.366250 NaN NaN NaN NaN NaN NaN 87.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 3.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0
208583 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 125.125000 NaN 1.477500 50.586804 10.609375 NaN NaN NaN NaN NaN NaN 67.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 1.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 1.0 1.0
208621 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 108.444444 NaN 2.709444 52.848071 12.252778 NaN NaN NaN NaN NaN NaN 87.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 1.0 2.0 2.0 1.0 1.0 0.0 2.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 1.0 0.0 1.0
208707 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 89.125000 NaN 3.200000 61.578072 10.072500 NaN NaN NaN NaN NaN NaN 73.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 3.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 1.0 0.0 1.0 1.0 0.0 0.0 1.0
208728 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 85.125000 NaN 3.286875 64.663781 10.285000 NaN NaN NaN NaN NaN NaN 49.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 2.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0 1.0
208761 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 60.625000 NaN 0.901875 73.067643 14.489375 NaN NaN NaN NaN NaN NaN 74.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 2.0
208787 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 83.0 74.000000 NaN 2.536875 105.479491 15.195000 NaN NaN NaN NaN NaN NaN 68.0 1.0 1.0 1.0 0.0 0.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
208821 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 49.0 93.375000 NaN 1.978125 80.784586 8.698125 NaN NaN NaN NaN NaN NaN 83.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 1.0
208858 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 4.0 122.750000 NaN 2.304375 54.876013 13.469375 NaN NaN NaN NaN NaN NaN 83.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 3.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 1.0 1.0
208888 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 36.0 56.000000 NaN 2.292500 78.559178 11.706250 NaN NaN NaN NaN NaN NaN 67.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
208926 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 215.375000 NaN 2.327500 52.014237 10.991875 NaN NaN NaN NaN NaN NaN 66.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 1.0 1.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0
208932 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 71.500000 NaN 4.277500 83.215889 13.250000 NaN NaN NaN NaN NaN NaN 59.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
208958 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 96.250000 NaN 0.932500 43.172870 11.961875 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
208983 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 114.750000 NaN 3.205625 43.480830 10.658750 NaN NaN NaN NaN NaN NaN 77.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 1.0 1.0
209056 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 77.0 146.000000 1.250000 1.633750 66.255044 10.501250 NaN NaN NaN NaN NaN NaN 72.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 1.0 0.0 1.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
209057 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 32.0 84.625000 NaN 2.321875 85.607403 12.984375 NaN NaN NaN NaN NaN NaN 73.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 1.0 1.0 0.0 1.0 2.0 0.0 0.0 0.0 0.0 1.0 0.0 1.0 1.0 0.0 1.0
209106 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 52.0 135.625000 2.000000 1.975000 61.303716 11.502500 NaN NaN NaN NaN NaN NaN 71.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 1.0 2.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0 4.0 1.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 1.0 1.0
209135 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 69.625000 NaN 2.535625 60.950092 9.280000 NaN NaN NaN NaN NaN NaN 75.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
209161 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 97.0 153.571429 NaN 3.435714 91.873914 16.786429 NaN NaN NaN NaN NaN NaN 78.0 1.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 2.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 2.0
209178 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 79.875000 NaN 3.042500 69.059396 14.041250 NaN NaN NaN NaN NaN NaN 69.0 1.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 2.0 1.0 2.0 1.0 0.0 0.0 2.0 2.0 0.0 0.0 2.0 1.0 0.0 1.0 1.0 0.0 0.0 3.0 0.0 0.0 1.0
209189 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 37.0 80.875000 1.000000 2.683750 74.430683 13.394375 NaN NaN NaN NaN NaN NaN 67.0 1.0 1.0 1.0 0.0 1.0 1.0 0.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
209217 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 106.0 104.375000 1.000000 1.726250 69.644998 9.082500 NaN NaN NaN NaN NaN NaN 79.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 3.0 1.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
209282 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 51.0 55.250000 NaN 1.310625 67.383684 10.911875 NaN NaN NaN NaN NaN NaN 83.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 2.0 0.0 0.0 1.0 1.0 0.0 0.0 1.0 1.0 0.0 2.0 0.0 0.0 0.0 2.0 0.0 1.0 1.0
209394 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 179.250000 NaN 2.587500 53.982834 11.313750 NaN NaN NaN NaN NaN NaN 70.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 1.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0
209399 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 73.0 88.250000 NaN 2.670625 69.325087 9.504375 NaN NaN NaN NaN NaN NaN 80.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 3.0 1.0
209416 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 75.625000 NaN 3.048125 70.715059 12.730000 NaN NaN NaN NaN NaN NaN 68.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 1.0 1.0 1.0 0.0 0.0 1.0
209418 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 53.333333 NaN 1.381667 69.880085 15.213889 NaN NaN NaN NaN NaN NaN 77.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
209431 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 6.0 188.375000 NaN 2.566875 68.765597 10.613125 NaN NaN NaN NaN NaN NaN 63.0 0.0 1.0 0.0 0.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0
209434 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 41.0 77.625000 NaN 3.537500 85.603689 9.280000 NaN NaN NaN NaN NaN NaN 71.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 4.0 1.0 0.0 0.0 1.0 0.0 1.0 2.0 0.0 0.0 1.0
209541 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 35.0 43.250000 NaN 2.080625 104.525599 16.253750 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
209545 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 131.500000 NaN 3.218125 57.008906 11.566250 NaN NaN NaN NaN NaN NaN 54.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 2.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0 2.0
209638 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 65.555556 NaN 1.830556 65.372969 14.834444 NaN NaN NaN NaN NaN NaN 89.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 1.0 0.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 1.0 1.0
209641 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 27.0 93.666667 NaN 2.975000 69.758223 12.510000 NaN NaN NaN NaN NaN NaN 73.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 1.0 2.0 0.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 3.0
209662 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 70.000000 NaN 1.865000 63.968981 12.985000 NaN NaN NaN NaN NaN NaN 73.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 3.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 1.0
209674 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 55.714286 NaN 2.301429 81.662149 13.340714 NaN NaN NaN NaN NaN NaN 69.0 1.0 1.0 0.0 0.0 1.0 0.0 1.0 0.0 1.0 0.0 3.0 0.0 0.0 0.0 1.0 1.0 0.0 0.0 2.0 0.0 1.0 0.0 1.0 0.0 0.0 2.0 1.0 0.0 1.0
209675 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 90.250000 NaN 2.293750 72.830051 10.074375 NaN NaN NaN NaN NaN NaN 77.0 1.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 2.0
209776 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 102.500000 NaN 2.833750 67.299480 12.791875 NaN NaN NaN NaN NaN NaN 76.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 1.0 0.0 2.0 1.0 0.0 2.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 0.0 0.0 1.0
209828 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 61.0 83.142857 NaN 1.965000 68.750828 11.570714 NaN NaN NaN NaN NaN NaN 78.0 0.0 1.0 1.0 0.0 1.0 1.0 1.0 1.0 1.0 0.0 1.0 1.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 0.0 0.0 0.0 0.0 2.0 0.0 0.0 2.0
209858 RUN IN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN 0.0 99.666667 NaN 2.786111 51.728164 10.375000 NaN NaN NaN NaN NaN NaN 69.0 0.0 1.0 1.0 0.0 1.0 0.0 1.0 1.0 1.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 2.0 0.0 0.0 1.0 1.0 0.0 0.0 2.0 0.0 0.0 1.0

5784 rows × 58 columns

In [38]:
from scipy.stats import pearsonr
from scipy.stats import spearmanr

print(pearsonr(test_df['A_SUMMARY_(MEAN)_HEART_RATE'], test_df['HEART_RATE']))
print(spearmanr(test_df['A_SUMMARY_(MEAN)_HEART_RATE'], test_df['HEART_RATE']))
del merged_df['HEART_RATE']
(0.4530885956185444, 7.393350505232254e-291)
SpearmanrResult(correlation=0.49299106327953274, pvalue=0.0)
In [39]:
outcome = [
    'D_KCCQ', 'D_FLUID', 'D_BNP', #'D_6MWD', 'D_TROP', 
    'D_KCCQ_ACC', 'D_FLUID_ACC', 'D_BNP_ACC', #'D_6MWD_ACC', 'D_TROP_ACC', 
]

feature = [i for i in merged_df.columns if (i not in outcome) and (i != 'USUBJID') and (i != 'VISIT')]
In [40]:
from statsmodels.stats.outliers_influence import variance_inflation_factor    

def calculate_vif_(X, thresh=10.0):
    variables = list(range(X.shape[1]))
    dropped = True
    while dropped:
        dropped = False
        vif = [variance_inflation_factor(X.iloc[:, variables].values, ix)
               for ix in range(X.iloc[:, variables].shape[1])]

        maxloc = vif.index(max(vif))
        if max(vif) > thresh:
            print('dropping \'' + X.iloc[:, variables].columns[maxloc] +
                  '\' at index: ' + str(maxloc) + ' VIF: '+ str(max(vif)))
            del variables[maxloc]
            dropped = True

    print('Remaining variables:')
    print(X.columns[variables])
    return X.iloc[:, variables]

vif_feature = calculate_vif_(test_df[feature])
dropping 'SYSTOLIC_BLOOD_PRESSURE' at index: 6 VIF: 69.91292025889742
dropping 'AGE' at index: 21 VIF: 62.54692837995902
dropping 'XB_HBA1C' at index: 7 VIF: 46.5457905005611
dropping 'BODY_MASS_INDEX' at index: 5 VIF: 40.22350793264356
dropping 'RACE_W' at index: 20 VIF: 37.99545262717681
dropping 'A_SUMMARY_(MEAN)_HEART_RATE' at index: 17 VIF: 35.96900771381296
dropping 'A_SUMMARY_(MEAN)_RESPIRATION_RATE' at index: 17 VIF: 30.403100222492952
dropping 'PMH_HEART_FAILURES' at index: 31 VIF: 23.70728780656775
dropping 'NYHA Functional Class' at index: 1 VIF: 17.851072637801945
dropping 'CAFFDRKN' at index: 21 VIF: 14.807453788155774
dropping 'XL_LEFT_VENTRICULAR_MASS_INDEX' at index: 11 VIF: 14.687714433132337
dropping 'Overall Summary Score' at index: 0 VIF: 12.486616884456204
dropping 'BASEGFRN' at index: 20 VIF: 11.139118710715731
dropping 'XL_GLOBAL_LONGITUDINAL_SYSTOLIC_STRAIN' at index: 9 VIF: 10.557738991451364
Remaining variables:
Index(['ALCOHOL_CONSUMPTION', 'CONTAINING_METHLYXANTHINE', 'TOBACCO', 'XB_FFA',
       'XB_NGAL', 'XB_NT_P_BNP', 'XB_TROPTHS', 'XB_UALBUM', 'XL_CARDIAC_INDEX',
       'A_AF_EPISODE_COUNT', 'A_HEART_RATE_VARIABILITY', 'A_PAUSE_COUNT',
       'A_SUMMARY_(MEAN)_ACTIVITY_INTENSITY', 'GENDER', 'TRIAL_DRUG', 'RACE_A',
       'HYPERTEN', 'DIABETEN', 'BETABLKN',
       'PMH_BLOOD_AND_LYMPHATIC_SYSTEM_DISORDERS', 'PMH_CARDIAC_ARRHYTHMIAS',
       'PMH_CARDIAC_VALVE_DISORDERS', 'PMH_CORONARY_ARTERY_DISORDERS',
       'PMH_ENDOCRINE_DISORDERS', 'PMH_GASTROINTESTINAL_DISORDERS',
       'PMH_HEPATOBILIARY_DISORDERS', 'PMH_IMMUNE_SYSTEM_DISORDERS',
       'PMH_METABOLISM_AND_NUTRITION_DISORDERS',
       'PMH_MUSCULOSKELETAL_AND_CONNECTIVE_TISSUE_DISORDERS',
       'PMH_MYOCARDIAL_DISORDERS',
       'PMH_NEOPLASMS_BENIGN,_MALIGNANT_AND_UNSPECIFIED_(INCL_CYSTS_AND_POLYPS)',
       'PMH_NERVOUS_SYSTEM_DISORDERS', 'PMH_PERICARDIAL_DISORDERS',
       'PMH_PSYCHIATRIC_DISORDERS', 'PMH_RENAL_AND_URINARY_DISORDERS',
       'PMH_REPRODUCTIVE_SYSTEM_AND_BREAST_DISORDERS',
       'PMH_RESPIRATORY,_THORACIC_AND_MEDIASTINAL_DISORDERS',
       'PMH_VASCULAR_DISORDERS'],
      dtype='object')
In [41]:
def checkVIF_new(df):
    from statsmodels.stats.outliers_influence import variance_inflation_factor
    df['c'] = 1
    name = df.columns
    x = np.matrix(df)
    VIF_list = [variance_inflation_factor(x,i) for i in range(x.shape[1])]
    VIF = pd.DataFrame({'feature':name,"VIF":VIF_list})
    del df['c']
    max_VIF = max(VIF_list)
    print(max_VIF)
    return VIF


vif_feature = checkVIF_new(test_df[feature])
print(vif_feature)
622.2897859586603
                                              feature         VIF
0                               Overall Summary Score    1.342433
1                               NYHA Functional Class    1.339811
2                                 ALCOHOL_CONSUMPTION    1.250283
3                           CONTAINING_METHLYXANTHINE    2.190976
4                                             TOBACCO    1.357427
5                                     BODY_MASS_INDEX    1.666147
6                             SYSTOLIC_BLOOD_PRESSURE    1.320762
7                                              XB_FFA    1.148707
8                                            XB_HBA1C    1.467072
9                                             XB_NGAL    1.124057
10                                        XB_NT_P_BNP    1.442205
11                                         XB_TROPTHS    1.108761
12                                          XB_UALBUM    1.137911
13                                   XL_CARDIAC_INDEX    1.908485
14             XL_GLOBAL_LONGITUDINAL_SYSTOLIC_STRAIN    2.029849
15                     XL_LEFT_VENTRICULAR_MASS_INDEX    1.614889
16                                 A_AF_EPISODE_COUNT    1.303726
17                           A_HEART_RATE_VARIABILITY    1.269411
18                                      A_PAUSE_COUNT    1.045438
19                A_SUMMARY_(MEAN)_ACTIVITY_INTENSITY    1.421076
20                        A_SUMMARY_(MEAN)_HEART_RATE    1.336510
21                  A_SUMMARY_(MEAN)_RESPIRATION_RATE    1.292369
22                                                AGE    1.661382
23                                             GENDER    1.709879
24                                             RACE_W    4.554748
25                                         TRIAL_DRUG    1.049451
26                                             RACE_A    4.751294
27                                           HYPERTEN    1.752450
28                                           DIABETEN    1.661561
29                                           CAFFDRKN    2.266676
30                                           BETABLKN    1.232046
31                                           BASEGFRN    1.577766
32           PMH_BLOOD_AND_LYMPHATIC_SYSTEM_DISORDERS    1.309604
33                            PMH_CARDIAC_ARRHYTHMIAS    1.135148
34                        PMH_CARDIAC_VALVE_DISORDERS    1.155855
35                      PMH_CORONARY_ARTERY_DISORDERS    1.237261
36                            PMH_ENDOCRINE_DISORDERS    1.176182
37                     PMH_GASTROINTESTINAL_DISORDERS    1.307749
38                                 PMH_HEART_FAILURES    1.102433
39                        PMH_HEPATOBILIARY_DISORDERS    1.178756
40                        PMH_IMMUNE_SYSTEM_DISORDERS    1.100123
41             PMH_METABOLISM_AND_NUTRITION_DISORDERS    1.645532
42  PMH_MUSCULOSKELETAL_AND_CONNECTIVE_TISSUE_DISO...    1.396409
43                           PMH_MYOCARDIAL_DISORDERS    1.106058
44  PMH_NEOPLASMS_BENIGN,_MALIGNANT_AND_UNSPECIFIE...    1.111686
45                       PMH_NERVOUS_SYSTEM_DISORDERS    1.149535
46                          PMH_PERICARDIAL_DISORDERS    1.155578
47                          PMH_PSYCHIATRIC_DISORDERS    1.214463
48                    PMH_RENAL_AND_URINARY_DISORDERS    1.507414
49       PMH_REPRODUCTIVE_SYSTEM_AND_BREAST_DISORDERS    1.198542
50  PMH_RESPIRATORY,_THORACIC_AND_MEDIASTINAL_DISO...    1.283941
51                             PMH_VASCULAR_DISORDERS    1.929432
52                                                  c  622.289786
In [42]:
# for v in range(6):
#     print('--- outcome var: ' + outcome[v] + ' ---')
#     use_df = merged_df[merged_df[outcome[v]] != 0]
#     print(len(use_df))
    
#     X = use_df[feature]
#     imputer = KNNImputer(n_neighbors=5, weights='uniform')
#     X = imputer.fit_transform(X)

#     y = use_df[outcome[v]]
#     y = np.array(y.values, dtype=np.float32)

#     lm = LinearRegression()  
#     lm.fit(X, y)
# #     print(lm.intercept_)
# #     print(lm.coef_)
#     print(lm.score(X, y))

#     pred = lm.predict(X)
#     diff = pred.flatten() - y.flatten()
#     percentDiff = (diff / y.flatten()) * 100
#     absPercentDiff = np.abs(percentDiff)
#     mean = np.mean(absPercentDiff)
#     std = np.std(absPercentDiff)
#     qt = np.quantile(absPercentDiff, [0.25, 0.5, 0.75])
#     print(mean)
#     print(std)
#     print(qt)
    
#     coef = np.row_stack([use_df[feature].columns, lm.coef_]).T
#     idxSort = np.argsort(coef[:,1])

#     print('Top 5 predictors negatively correlated with improved outcome:')
#     for n in range(5):
#         print('{:1.2f} - {}'.format(coef[idxSort[n],1], coef[idxSort[n],0]))

#     print()
#     print('Top 5 predictors positively correlated with improved outcome:')
#     for n in range(5):
#         print('{:1.2f} - {}'.format(coef[idxSort[-n-1],1], coef[idxSort[-n-1],0]))
    
#     idxTop = idxSort[0:10]
#     idxBot = idxSort[-1:-11:-1]

#     colTop = [0.8906,0.1016,0.1094]
#     colBot = [0.2148,0.4922,0.7188]

#     f = plt.figure(figsize=[10,6])
#     ax1 = f.add_subplot(111)
#     ax1.plot(np.exp(-coef[idxTop,1].astype(float)), range(10), 's', markersize=10, color=colTop)

#     ax1.yaxis.tick_right()
#     ax1.yaxis.set_label_position("right")
#     ax1.set_ylim([-1,10])

#     ax1.yaxis.set_ticks(range(10))
#     ax1.yaxis.set_ticklabels(coef[idxTop,0], color=colTop, fontsize=16)
#     plt.ylabel("Negatively correlated", color=colTop, fontsize=16)

#     ax2 = f.add_subplot(111, sharex=ax1, frameon=False)
#     ax2.plot( np.exp(coef[idxBot,1].astype(float)), range(10), 'o', markersize=10, color=colBot)

#     ax2.yaxis.set_ticks(range(10))
#     ax2.yaxis.set_ticklabels(coef[idxBot,0], color=colBot, fontsize=16)
#     ax2.set_ylim([-1,10])
#     plt.ylabel("Positively correlated", color=colBot, fontsize=16)

#     plt.show()
In [45]:
for v in range(6):
    print('--- outcome var: ' + outcome[v] + ' ---')
    use_df = merged_df[(merged_df[outcome[v]] != 0) & (merged_df[outcome[v]].notnull())]
    use_df = use_df.groupby(['USUBJID']).apply(lambda x: x.interpolate(method='linear')).bfill().ffill()
    print(len(use_df))

    X = use_df[feature]
    imputer = KNNImputer(n_neighbors=5, weights='uniform')
    X = imputer.fit_transform(X)

    y = use_df[outcome[v]]
    y = np.array(y.values, dtype=np.float32)

    rf = RandomForestRegressor()  
    rf.fit(X, y)

    pred = rf.predict(X)
    evaluation(use_df, rf, pred, y, explain=True)
--- outcome var: D_KCCQ ---
1968
[0.87258016]
[24.15701449 36.88243394 57.5160467 ]
% diff mean: -37.75
% diff median: -32.86
Pearson: [0.96 0.  ]
--- outcome var: D_FLUID ---
1149
[0.82972246]
[25.49124193 40.59587737 68.42906701]
% diff mean: -64.22
% diff median: -34.96
Pearson: [0.97 0.  ]
--- outcome var: D_BNP ---
1983
[0.82375874]
[29.35617762 43.75029858 76.70647769]
% diff mean: -43.57
% diff median: -38.16
Pearson: [0.96 0.  ]
--- outcome var: D_KCCQ_ACC ---
1974
[0.89214554]
[12.99303786 24.62781666 42.06798201]
% diff mean: -19.9
% diff median: -19.45
Pearson: [0.97 0.  ]
--- outcome var: D_FLUID_ACC ---
1157
[0.89528312]
[20.71266432 32.96763891 60.32327425]
% diff mean: -23.85
% diff median: -28.48
Pearson: [0.98 0.  ]
--- outcome var: D_BNP_ACC ---
1984
[0.93205608]
[19.66270336 33.1378292  61.69899468]
% diff mean: -100.11
% diff median: -27.06
Pearson: [0.98 0.  ]
In [46]:
# use_df = merged_df[
#     ((merged_df[outcome[0]] != 0) | (merged_df[outcome[0]].notnull())) &\
#     ((merged_df[outcome[1]] != 0) | (merged_df[outcome[1]].notnull())) &\
#     ((merged_df[outcome[2]] != 0) | (merged_df[outcome[2]].notnull())) &\
#     ((merged_df[outcome[3]] != 0) | (merged_df[outcome[3]].notnull())) &\
#     ((merged_df[outcome[4]] != 0) | (merged_df[outcome[4]].notnull())) &\
#     ((merged_df[outcome[5]] != 0) | (merged_df[outcome[5]].notnull())) #&\
# #     (merged_df[outcome[6]] != 0) &\
# #     (merged_df[outcome[7]] != 0) &\
# #     (merged_df[outcome[8]] != 0) &\
# #     (merged_df[outcome[9]] != 0)
# ]
# print(len(use_df))

# X = use_df[feature]
# imputer = KNNImputer(n_neighbors=5, weights='uniform')
# X = imputer.fit_transform(X)

# y = use_df[outcome]
# y = np.array(y.values, dtype=np.float32)

# mlm = MultiOutputRegressor(LinearRegression())
# mlm.fit(X, y)
# evaluation(use_df, mlm, pred, y, multi=True)
In [47]:
use_df = merged_df[
    ((merged_df[outcome[0]] != 0) & (merged_df[outcome[0]].notnull())) &\
    ((merged_df[outcome[1]] != 0) & (merged_df[outcome[1]].notnull())) &\
    ((merged_df[outcome[2]] != 0) & (merged_df[outcome[2]].notnull())) &\
    ((merged_df[outcome[3]] != 0) & (merged_df[outcome[3]].notnull())) &\
    ((merged_df[outcome[4]] != 0) & (merged_df[outcome[4]].notnull())) &\
    ((merged_df[outcome[5]] != 0) & (merged_df[outcome[5]].notnull())) #&\
#     (merged_df[outcome[6]] != 0) &\
#     (merged_df[outcome[7]] != 0) &\
#     (merged_df[outcome[8]] != 0) &\
#     (merged_df[outcome[9]] != 0)
]
print(len(use_df))

use_df = use_df.groupby(['USUBJID']).apply(lambda x: x.interpolate(method='linear')).bfill().ffill()

X = use_df[feature]
imputer = KNNImputer(n_neighbors=5, weights='uniform')
X = imputer.fit_transform(X)

y = use_df[outcome]
y = np.array(y.values, dtype=np.float32)

mrf = MultiOutputRegressor(RandomForestRegressor())
mrf.fit(X, y)

pred = mrf.predict(X)
evaluation(use_df, mrf, pred, y, explain=False, single=False)
557
[0.89008007 0.85297006 0.84017405 0.91071976 0.84638401 0.78344871]
[23.29720639 37.66714738 66.78754483]
kccq
-0.34950679770633103
-0.2972347693321363
(0.9614728031129005, 1.94374742366e-313)
fluid
-0.850794610174394
-0.24773236203179805
(0.9822931447286032, 0.0)
bnp
0.31809035532480706
-0.3775780755000776
(0.9479470903914567, 5.2951371252506494e-278)
kccq_acc
-0.29399805686683284
-0.30940077107670266
(0.9652695015299061, 0.0)
fluid_acc
-0.23415200950980952
-0.25604043657278336
(0.9722059585685434, 0.0)
bnp_acc
0.9522382251374427
-0.3583643893360395
(0.935158209647127, 2.583361595984762e-252)

Predictive modeling

In [48]:
for idx, rn in enumerate(rnd):
    print('--- iter ' + str(idx) + ' ---')

    use_df = merged_df[
        ((merged_df[outcome[0]] != 0) & (merged_df[outcome[0]].notnull())) &\
        ((merged_df[outcome[1]] != 0) & (merged_df[outcome[1]].notnull())) &\
        ((merged_df[outcome[2]] != 0) & (merged_df[outcome[2]].notnull())) &\
        ((merged_df[outcome[3]] != 0) & (merged_df[outcome[3]].notnull())) &\
        ((merged_df[outcome[4]] != 0) & (merged_df[outcome[4]].notnull())) &\
        ((merged_df[outcome[5]] != 0) & (merged_df[outcome[5]].notnull())) #&\
    #     (merged_df[outcome[6]] != 0) &\
    #     (merged_df[outcome[7]] != 0) &\
    #     (merged_df[outcome[8]] != 0) &\
    #     (merged_df[outcome[9]] != 0)
    ]

    use_df = use_df.groupby(['USUBJID']).apply(lambda x: x.interpolate(method='linear')).bfill().ffill()

    X = use_df[feature]
    imputer = KNNImputer(n_neighbors=5, weights='uniform')
    X = imputer.fit_transform(X)

    y = use_df[outcome]
    y = np.array(y.values, dtype=np.float32)
    
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=rn)

    mrf = MultiOutputRegressor(RandomForestRegressor())
    mrf.fit(X_train, y_train)

    pred = mrf.predict(X_test)
    evaluation(use_df, mrf, pred, y_test, explain=False, single=False)
--- iter 0 ---
[ 0.44118746 -0.05581337 -0.62486246  0.53918468 -0.33713141 -5.00360466]
[ 66.30999221 102.00834034 183.8335525 ]
kccq
-0.9843108285466936
-0.8966632134580921
(0.7012297006210307, 3.540546722195275e-26)
fluid
-4.176151854656568
-0.6836430761902128
(0.08411672128137282, 0.2783383127976733)
bnp
-0.9915484384430951
-1.0342480889104952
(0.14742131856463192, 0.05652509369750407)
kccq_acc
-1.0294098055189769
-0.8573018931025773
(0.7705440438308426, 2.7138566813965652e-34)
fluid_acc
0.04537258902098156
-0.7486124868412456
(-0.05610026206857312, 0.4701206913937921)
bnp_acc
0.2032304293104233
-0.9959526885397219
(0.022702142216888845, 0.7702146555441457)
--- iter 1 ---
[ 0.15664776 -0.12956534 -0.34521384  0.51235274 -0.21866486 -0.05466009]
[ 65.37478201 100.7628255  166.22605769]
kccq
-0.4643875140171322
-0.7981799978887645
(0.5208147828094083, 4.591729826726352e-13)
fluid
-1.2823769820452573
-0.7229688084641885
(-0.05200369237945212, 0.5031985087406545)
bnp
1.7702202349485527
-1.033133193859927
(-0.034547555272933024, 0.6566254456546583)
kccq_acc
-0.8959219832182919
-0.8436714801800482
(0.7469810290596262, 3.0727240652814685e-31)
fluid_acc
-2.165022920570035
-0.7499853402521675
(0.08712751543829393, 0.2614344156965154)
bnp_acc
4.995681823254834
-0.9545793498130846
(-0.09589422410205227, 0.21627162209681097)
--- iter 2 ---
[ 0.11584188 -0.14689411 -0.31104083  0.30981109 -0.50702271 -0.03217049]
[ 66.82820247 109.18838989 198.90832752]
kccq
-1.1431476941154552
-0.75503996037911
(0.3838853097076976, 2.795052441217282e-07)
fluid
-1.2003788994341305
-0.6622038574503064
(-0.05637611192227583, 0.46793694363336547)
bnp
0.07140894848964552
-1.0316606728697948
(0.18358190381123932, 0.017218485207642836)
kccq_acc
-0.8852577401824038
-0.8746365435877328
(0.5692507695355907, 8.199573594113553e-16)
fluid_acc
-1.5970386392456075
-0.6887392333931406
(0.05844308745149888, 0.4517523088644132)
bnp_acc
0.9529979307179466
-0.9531213152941862
(-0.003665535905149116, 0.9623887250470674)
--- iter 3 ---
[ 0.14804153 -0.03080803 -0.28402132 -0.36073799  0.02132237 -0.85698412]
[ 66.39840928 103.10312672 188.95725292]
kccq
-0.807526452930452
-0.8383509671869631
(0.399557175502941, 8.078605119537603e-08)
fluid
-4.423361621963938
-0.7193833914551342
(0.06863879340520346, 0.376663081913695)
bnp
1.8446727643808678
-1.0069705073752562
(-0.05760723430786746, 0.45825905041479587)
kccq_acc
-1.3241631187897172
-0.8928463053253355
(0.34668997731630286, 4.1513097869320345e-06)
fluid_acc
-1.9407288969466687
-0.7782582679905772
(0.15752441971854442, 0.04142452196528744)
bnp_acc
-0.7971184655516824
-1.0244945739938323
(-0.08358198311720859, 0.2814159556498714)
--- iter 4 ---
[ 0.24977    -0.17728181  0.07952061  0.4018658  -0.1335135  -0.04728447]
[ 61.99360422  98.68336503 160.60652732]
kccq
-1.1176519031123238
-0.8166289203146067
(0.5328191992390823, 1.0504082896424472e-13)
fluid
-3.422537114531738
-0.7147714791291352
(-0.00040510667587863677, 0.9958417796107915)
bnp
-3.3077398501508535
-1.027880748599568
(0.326703034479957, 1.545220684210123e-05)
kccq_acc
-0.8238188402291785
-0.8696946812442211
(0.6348597564362032, 2.442543011001944e-20)
fluid_acc
-0.7171124120262824
-0.7600914068918341
(0.0016034828330457073, 0.9835421217366681)
bnp_acc
-0.8679317669363849
-0.9751668890133003
(-0.05737544756893741, 0.4600725873452274)
In [49]:
for v in range(6):
    print('--- outcome var: ' + outcome[v] + ' ---')
    use_df = merged_df[merged_df[outcome[v]] != 0 & (merged_df[outcome[v]].notnull())]
    use_df = use_df.groupby(['USUBJID']).apply(lambda x: x.interpolate(method='linear')).bfill().ffill()
    print(len(use_df))

    X = use_df[feature]
    imputer = KNNImputer(n_neighbors=5, weights='uniform')
    X = imputer.fit_transform(X)

    y = use_df[outcome[v]]
    y = np.array(y.values, dtype=np.float32)

    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
    
    rf = RandomForestRegressor()  
    rf.fit(X_train, y_train)
#     print(lm.feature_importances_)

    pred = rf.predict(X_test)
    evaluation(use_df, rf, pred, y_test, explain=True)
--- outcome var: D_KCCQ ---
4970
[0.37263699]
[15.8801262  33.71524497 83.89799241]
% diff mean: -56.95
% diff median: -27.03
Pearson: [0.62 0.  ]
--- outcome var: D_FLUID ---
5084
[0.6992818]
[20.74000575 47.58891165 90.74142645]
% diff mean: -52.81
% diff median: -34.8
Pearson: [0.86 0.  ]
--- outcome var: D_BNP ---
5054
[0.62176311]
[ 26.10336046  62.26624635 125.88502471]
% diff mean: -139.84
% diff median: -45.83
Pearson: [0.79 0.  ]
--- outcome var: D_KCCQ_ACC ---
4976
[0.43636431]
[ 9.13306444 23.46495275 56.64843021]
% diff mean: -20.44
% diff median: -15.03
Pearson: [0.69 0.  ]
--- outcome var: D_FLUID_ACC ---
5092
[0.83090342]
[14.99990037 33.19035286 65.93871886]
% diff mean: -27.04
% diff median: -21.28
Pearson: [0.92 0.  ]
--- outcome var: D_BNP_ACC ---
5055
[0.90219835]
[17.60723558 42.53961193 82.82347191]
% diff mean: -155.59
% diff median: -32.09
Pearson: [0.95 0.  ]
In [50]:
visit = [
    'DAY 0',
#     'END OF TREATMENT', 'END OF TREATMENT, UNSCHEDULED 1', 'END OF TREATMENT, UNSCHEDULED 2', 'END OF TREATMENT, UNSCHEDULED 3', 
#     'PREMATURE DISCONTINUATION VISIT', 'PREMATURE DISCONTINUATION VISIT, UNSCHEDULED 1', 'PREMATURE DISCONTINUATION VISIT, UNSCHEDULED 2'
]
eot_df = merged_df.query('VISIT == "' + str(visit[0]) + '"').groupby(level=0).agg('first')
for i in range(len(visit)-1):
    eot_df = pd.concat([eot_df, merged_df.query('VISIT == "' + str(visit[i+1]) + '"').groupby(level=0).agg('first')], axis=0)
The history saving thread hit an unexpected error (OperationalError('attempt to write a readonly database',)).History will not be written to the database.
In [51]:
for v in range(3):
    print('--- outcome var: ' + outcome[v+3] + ' ---')
    use_df = eot_df[eot_df[outcome[v+3]] != 0]
    use_df = use_df.groupby(['USUBJID']).apply(lambda x: x.interpolate(method='linear')).bfill().ffill()
    print(len(use_df))

    X = use_df[feature]
    imputer = KNNImputer(n_neighbors=5, weights='uniform')
    X = imputer.fit_transform(X)

    y = use_df[outcome[v+3]]
    y = np.array(y.values, dtype=np.float32)

    rf = RandomForestRegressor()  
    rf.fit(X, y)

    pred = rf.predict(X)
    evaluation(use_df, rf, pred, y, explain=True)
--- outcome var: D_KCCQ_ACC ---
704
[0.91240289]
[25.1497907  37.17710917 62.15912551]
% diff mean: -32.77
% diff median: -32.53
Pearson: [0.97 0.  ]
--- outcome var: D_FLUID_ACC ---
679
[0.86376107]
[19.95991109 36.17765858 67.61993354]
% diff mean: -29.04
% diff median: -26.49
Pearson: [0.98 0.  ]
--- outcome var: D_BNP_ACC ---
719
[0.84016654]
[26.92188779 42.01628457 83.11818413]
% diff mean: -3.98
% diff median: -35.2
Pearson: [0.95 0.  ]
In [52]:
for v in range(3):
    print('--- outcome var: ' + outcome[v+3] + ' ---')
    use_df = eot_df[eot_df[outcome[v+3]] != 0]
    use_df = use_df.groupby(['USUBJID']).apply(lambda x: x.interpolate(method='linear')).bfill().ffill()
    print(len(use_df))

    X = use_df[feature]
    imputer = KNNImputer(n_neighbors=5, weights='uniform')
    X = imputer.fit_transform(X)

    y = use_df[outcome[v+3]]
    y = np.array(y.values, dtype=np.float32)

    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)
    
    rf = RandomForestRegressor()  
    rf.fit(X_train, y_train)

    pred = rf.predict(X_test)
    evaluation(use_df, rf, pred, y_test, explain=True)
--- outcome var: D_KCCQ_ACC ---
704
[-0.14003552]
[ 62.64003111  97.81539272 150.02826202]
% diff mean: -81.96
% diff median: -85.79
Pearson: [0.22 0.  ]
--- outcome var: D_FLUID_ACC ---
679
[-0.11607178]
[ 59.03489524  93.91156023 184.53984254]
% diff mean: -141.19
% diff median: -78.83
Pearson: [0.04 0.58]
--- outcome var: D_BNP_ACC ---
719
[-0.41068435]
[ 81.29957361 135.46088141 245.29977717]
% diff mean: -158.38
% diff median: -104.21
Pearson: [0.17 0.01]
In [ ]: